Hoja de repaso: Estimation de la moyenne et intervalles

📋 Plan du Cours

1. Estimation de la moyenne
2. Intervalle de confiance
3. Distribution normale
4. Statistique Z
5. Construction d'intervalle
6. Critères de couverture
7. Méthodes statistiques
8. Variables aléatoires
9. Paramètres inconnus
10. Taille d'échantillon

📖 1. Estimation de la moyenne

🔑 Notions clés & Définitions

• Estimation de la moyenne μ à partir d’un échantillon de taille n : processus consistant à utiliser un échantillon pour déterminer une valeur approchée de la moyenne inconnue μ de la population, en se basant sur les données observées.

• Moyenne empirique X̄ : estimateur de μ défini par la somme des valeurs de l’échantillon divisée par la taille n, soit $\bar{X} = \frac{1}{n} \sum_{i=1}^n X_i$. Selon PERROUX (date), c’est l’estimateur le plus simple et le plus couramment utilisé pour la moyenne.

• Objectif d'estimation ponctuelle de la moyenne : fournir une seule valeur (l’estimateur X̄) qui sert d’approximatif de μ, avec pour but de minimiser l’erreur d’estimation.

📝 Points essentiels

• L’étude vise à estimer la moyenne μ d’une variable aléatoire X à partir d’un échantillon de taille n, en utilisant la moyenne empirique X̄ comme estimateur. La moyenne empirique est un estimateur sans biais de μ, c’est-à-dire que $E[\bar{X}] = \mu$.

• Lorsqu’on souhaite construire un intervalle de confiance pour μ, on utilise la distribution de X̄. Si X suit une loi normale N(μ, σ²), alors X̄ suit N(μ, σ²/n), ce qui permet d’utiliser la statistique Z = (X̄ - μ) / (σ/√n) qui suit une loi normale centrée réduite N(0,1) (voir PERROUX, 1983).

• La construction d’un intervalle de confiance repose sur la recherche de la valeur critique z_α/2, telle que P(-z_α/2 ≤ Z ≤ z_α/2) = 1 - α. L’intervalle est alors : [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)].

• La précision de l’estimation dépend de la taille de l’échantillon n : plus n est grand, plus l’intervalle de confiance sera étroit, améliorant la précision de l’estimation (voir PERROUX, 1983).

💡 À retenir

L’estimateur de la moyenne μ basé sur un échantillon de taille n est la moyenne empirique X̄, qui permet de réaliser une estimation ponctuelle et de construire un intervalle de confiance précis lorsque la distribution de X est normale. La méthode repose sur la distribution de X̄ et la valeur critique z_α/2.

📖 2. Intervalle de confiance

🔑 Notions clés & Définitions

• Intervalle de confiance [a, b] : Plage de valeurs estimée pour un paramètre inconnu, construite à partir d’un échantillon, telle que la probabilité que cet intervalle contienne le paramètre est égale à 1 - α, c’est-à-dire P(a ≤ μ ≤ b) = 1 - α.

• Probabilité que l'intervalle contienne le paramètre : La probabilité que l’intervalle de confiance construit à partir d’un échantillon contienne le paramètre inconnu μ, est égale à 1 - α, ce qui reflète le niveau de confiance.

• Utilisation de la distribution de l'estimateur : La méthode consiste à exploiter la distribution de l’estimateur (par exemple, la moyenne empirique X̄) pour déterminer l’intervalle [a, b], en utilisant ses propriétés probabilistes (voir PERROUX (date)).

• Distribution de X̄ si X suit N(μ, σ²) : La moyenne empirique X̄ suit une loi normale N(μ, σ²/n), ce qui permet de standardiser la variable avec la statistique Z = (X̄ - μ) / (σ/√n) ~ N(0,1) (voir PERROUX (date)).

📝 Points essentiels

• La construction d’un intervalle de confiance repose sur la distribution de l’estimateur, ici la moyenne empirique X̄, pour déduire un intervalle [a, b] qui couvre le paramètre μ avec une probabilité de 1 - α.

• La formule de l’intervalle de confiance pour μ, lorsque σ est connu, est :
  $[X̄ - z_{α/2} \times \frac{σ}{\sqrt{n}}, \quad X̄ + z_{α/2} \times \frac{σ}{\sqrt{n}}]$
  où z_{α/2} est la quantile de la loi normale centrée réduite correspondant à la niveau de confiance.

• La valeur z_{α/2} est déterminée à partir de la loi normale N(0,1) pour assurer la couverture probabiliste souhaitée (voir PERROUX (date)).

• La largeur de l’intervalle dépend de la taille de l’échantillon n, de la variance σ², et du niveau de confiance 1 - α.

• La propriété fondamentale est que, pour un grand nombre d’échantillons répétés, la proportion d’intervalles construits contenant μ est proche de 1 - α (principe fréquentiste).

💡 À retenir

L’intervalle de confiance est une plage probabiliste qui, en utilisant la distribution de l’estimateur, permet d’estimer un paramètre inconnu avec un niveau de confiance prédéfini, en s’appuyant sur la loi normale si σ est connu.

📖 3. Distribution normale

🔑 Notions clés & Définitions

• Propriété de la distribution normale N(μ, σ²) : La loi normale, ou gaussienne, est une distribution de probabilité continue caractérisée par sa moyenne μ et sa variance σ². Elle possède une courbe en forme de cloche symétrique autour de μ, avec une déviation standard σ.
• Distribution de la moyenne empirique X̄ comme N(μ, σ²/n) : Si X suit une loi normale N(μ, σ²), alors la moyenne empirique X̄, calculée sur un échantillon de taille n, suit également une loi normale, avec une moyenne μ et une variance σ²/n.
• Caractéristique de la loi normale centrée réduite N(0,1) : La variable Z = (X̄ - μ) / (σ/√n) suit une loi normale centrée réduite N(0,1), permettant de standardiser X̄ pour utiliser les tables de la loi normale.
• Auteurs : La propriété de la distribution normale N(μ, σ²) et la distribution de la moyenne empirique X̄ comme N(μ, σ²/n) sont fondamentales dans la théorie de l'inférence statistique, notamment dans la construction d'intervalles de confiance (voir section 4).

📝 Points essentiels

• La loi normale N(μ, σ²) est symétrique, unimodale, et entièrement définie par ses paramètres μ (moyenne) et σ² (variance).
• La distribution de la moyenne empirique X̄, issue d’un échantillon de taille n, suit une loi normale N(μ, σ²/n), ce qui permet d’estimer μ avec précision croissante en augmentant n.
• La variable Z = (X̄ - μ) / (σ/√n) suit une loi normale centrée réduite N(0,1), ce qui facilite la recherche de valeurs critiques z_α/2 pour la construction d’intervalles de confiance.
• La propriété de la distribution normale N(μ, σ²) est essentielle pour justifier l’utilisation de la statistique Z dans la méthode classique d’intervalle de confiance (voir section 4).

💡 À retenir

La distribution normale N(μ, σ²) est la clé pour modéliser la moyenne d’un échantillon lorsque la population suit cette loi, et la loi normale centrée réduite N(0,1) permet d’uniformiser et de simplifier les calculs statistiques liés à l’estimation de μ.

📖 4. Statistique Z

🔑 Notions clés & Définitions

• Statistique Z : La statistique Z est définie par la formule $Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}$. Elle permet de mesurer combien la moyenne empirique $\bar{X}$ s'écarte de la moyenne réelle $\mu$, en unités d'écart-type standardisées.
• Loi normale centrée réduite N(0,1) : La loi normale dont la moyenne est 0 et la variance 1. Selon AUTEUR (date), la statistique Z suit cette loi lorsque la variable est standardisée, permettant d'utiliser ses propriétés pour l'inférence statistique.
• Standardisation : Utilisation de la statistique Z pour transformer une variable aléatoire X en une variable suivant une loi normale centrée réduite, facilitant la comparaison et la détermination de probabilités.

📝 Points essentiels

• La statistique Z est utilisée pour standardiser la variable aléatoire $\bar{X}$ lorsque la distribution de X est normale N(μ, σ²). La formule $Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}$ permet de convertir $\bar{X}$ en une variable suivant la loi N(0,1).
• La loi normale centrée réduite N(0,1) est fondamentale pour déterminer les valeurs critiques $z_{\alpha/2}$ lors de la construction d'intervalles de confiance. La valeur $z_{\alpha/2}$ est telle que $P(-z_{\alpha/2} \leq Z \leq z_{\alpha/2}) = 1 - \alpha$.
• La standardisation via Z est essentielle pour utiliser la table de la loi normale et calculer la probabilité que $\bar{X}$ se situe dans un intervalle donné, en particulier dans le contexte de l'estimation de la moyenne $\mu$.
• La formule de l'intervalle de confiance basé sur Z : $[ \bar{X} - z_{\alpha/2} \times (\sigma / \sqrt{n}), \bar{X} + z_{\alpha/2} \times (\sigma / \sqrt{n}) ]$, repose directement sur cette standardisation.

💡 À retenir

La statistique Z permet de standardiser la moyenne empirique $\bar{X}$ pour utiliser la loi normale centrée réduite, facilitant ainsi la construction d'intervalles de confiance précis pour $\mu$.

📖 5. Construction d'intervalle

🔑 Notions clés & Définitions

• Recherche de la valeur critique z_α/2 : La valeur z_α/2 est telle que P(-z_α/2 ≤ Z ≤ z_α/2) = 1 - α, où Z suit une loi normale centrée réduite N(0,1). Elle détermine la marge d'erreur dans la construction de l'intervalle de confiance.
• Formule de l'intervalle de confiance : [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)] ; cette formule permet d'estimer μ avec un niveau de confiance 1 - α en utilisant la moyenne empirique X̄, l'écart-type connu σ, la taille de l’échantillon n, et la valeur critique z_α/2.
• Méthode de construction basée sur la statistique Z : La méthode consiste à utiliser la statistique Z = (X̄ - μ) / (σ/√n), qui suit une loi normale N(0,1), pour déterminer l'intervalle de confiance en exploitant la valeur critique z_α/2.

📝 Points essentiels

• La recherche de z_α/2 est fondamentale pour définir la largeur de l’intervalle de confiance, en assurant que la probabilité que μ se trouve dans cet intervalle est de 1 - α.
• La formule de l’intervalle [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)] repose sur la distribution normale de X̄ lorsque σ est connu, conformément à la propriété de la loi normale centrée réduite.
• La méthode de construction d’un intervalle basé sur la statistique Z permet d’utiliser directement la loi normale pour déterminer la zone d’incertitude autour de X̄.
• La valeur critique z_α/2 est généralement trouvée dans les tables de la loi normale ou par logiciel statistique, en fonction du niveau de confiance 1 - α.

💡 À retenir

La construction d’un intervalle de confiance repose sur la recherche de la valeur critique z_α/2 dans la loi normale, permettant d’établir une zone d’incertitude autour de la moyenne empirique, avec un niveau de confiance fixé à 1 - α.

📖 6. Critères de couverture

🔑 Notions clés & Définitions

• Niveau de confiance (1 - α) : Probabilité que l'intervalle de confiance construit à partir d’un échantillon contienne le paramètre vrai μ. Il s’agit d’un paramètre fixé à l’avance, généralement 95% (α = 0,05).
• Interprétation probabiliste de la couverture de l'intervalle : La probabilité que l’intervalle de confiance, construit selon la procédure donnée, couvre réellement μ est égale à 1 - α. Autrement dit, si l’on répète l’expérience de nombreuses fois, environ 100*(1 - α)% des intervalles ainsi construits contiendront μ.
• Critère de validité d’un intervalle de confiance : La propriété que la méthode utilisée pour construire l’intervalle garantit que la probabilité de couvrir le vrai paramètre est au moins 1 - α. Cela repose sur la distribution de l’estimateur et la conformité aux hypothèses (ex : normalité de X̄ si σ est connu).

📝 Points essentiels

• La notion de niveau de confiance (1 - α) est fondamentale pour évaluer la fiabilité d’un intervalle. Elle ne concerne pas la probabilité que μ soit dans un intervalle particulier, mais la fréquence avec laquelle la méthode donne des intervalles contenant μ si l’on répète l’expérience.
• La couverture probabiliste est une interprétation clé : elle permet d’associer une probabilité à la performance de la procédure d’estimation, en se basant sur la distribution de l’estimateur (ex : X̄).
• La validité d’un intervalle de confiance dépend du respect des hypothèses (distribution, indépendance, etc.) et de la méthode de construction (ex : utilisation de la statistique Z ou t). La couverture est garantie asymptotiquement ou sous conditions strictes.
• La construction classique (voir section 4 et 5) repose sur la distribution normale de l’estimateur et la statistique Z, avec la valeur critique z_α/2. La validité est assurée si σ est connu ou si l’échantillon est suffisamment grand pour utiliser la loi normale.
• La méthode consiste à déterminer z_α/2 tel que P(-z_α/2 ≤ Z ≤ z_α/2) = 1 - α, puis à construire l’intervalle [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)].

💡 À retenir

Le critère de couverture d’un intervalle de confiance garantit que, dans la répétition d’expériences, la proportion d’intervalles contenant le vrai paramètre est au moins 1 - α, assurant ainsi la fiabilité de la méthode d’estimation.

📖 7. Méthodes statistiques

🔑 Notions clés & Définitions

• Estimation ponctuelle : Méthode consistant à utiliser un seul estimateur pour fournir une valeur unique du paramètre inconnu, comme la moyenne empirique X̄ pour μ.
• Intervalle de confiance : Plage de valeurs [a, b] construite à partir des données, contenant le paramètre inconnu avec une probabilité de 1 - α, selon la distribution de l’estimateur (voir section 6).
• Statistique Z : Variable aléatoire standardisée Z = (X̄ - μ) / (σ/√n) qui suit une loi normale centrée réduite N(0,1) lorsque X suit une loi normale N(μ, σ²) (voir section 4).
• Méthodes d'inférence statistique : Techniques permettant de tirer des conclusions sur un paramètre de population à partir d’un échantillon, notamment par la construction d’intervalles de confiance ou de tests d’hypothèses.
• Choix des méthodes selon la distribution : Sélection de la technique statistique adaptée en fonction de la distribution de la variable (normale, t de Student, loi de Poisson, etc.) et de la connaissance ou non du paramètre σ (voir section 3).

📝 Points essentiels

• L’objectif principal est d’estimer un paramètre inconnu, tel que la moyenne μ, à partir d’un échantillon de taille n. La moyenne empirique X̄ sert d’estimateur ponctuel.
• La construction d’un intervalle de confiance repose sur la distribution de X̄. Si X suit une loi normale N(μ, σ²), alors X̄ suit N(μ, σ²/n), permettant d’utiliser la statistique Z pour standardiser.
• La valeur critique z_α/2 est déterminée pour assurer que l’intervalle [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)] couvre le paramètre μ avec la probabilité 1 - α.
• La sélection des méthodes statistiques doit prendre en compte la distribution de la variable et la connaissance ou non de σ. Si σ est inconnu, on utilise la loi t de Student.
• La précision de l’estimation dépend de la taille de l’échantillon n : plus n est grand, plus l’intervalle de confiance sera étroit, améliorant la précision.
• La validité des intervalles de confiance repose sur le niveau de confiance 1 - α, qui doit être choisi en fonction du contexte et des risques acceptables d’erreur.

💡 À retenir

Les méthodes statistiques permettent d’estimer et d’interpréter un paramètre de population en utilisant des techniques d’inférence adaptées à la distribution et à la connaissance des paramètres, avec la construction d’intervalles de confiance pour quantifier l’incertitude.

📖 8. Variables aléatoires

🔑 Notions clés & Définitions

• Variable aléatoire X : Fonction qui associe à chaque issue d'une expérience aléatoire un nombre réel. Elle permet de modéliser des phénomènes aléatoires par une valeur numérique (voir section 3 pour la distribution normale).
• Propriétés de la variable aléatoire X dans le contexte de l'étude : La variable X peut être discrète ou continue, et ses propriétés incluent la loi de probabilité, la moyenne (espérance) et la variance, qui caractérisent son comportement dans l'étude (voir "notion de distribution de probabilité").
• Lien entre variable aléatoire et distribution de probabilité : La distribution de probabilité de X décrit la probabilité que X prenne une certaine valeur ou un ensemble de valeurs. Pour une variable continue, c'est une densité de probabilité ; pour une discrète, une fonction de masse. La loi normale N(μ, σ²) est un exemple classique (voir PERROUX (date)).

📝 Points essentiels

• La variable aléatoire X sert à modéliser un phénomène aléatoire en lui associant une valeur numérique aléatoire.
• La distribution de probabilité de X détermine la probabilité que X prenne une certaine valeur ou une plage de valeurs, permettant d'étudier ses propriétés statistiques.
• Lorsqu'on dispose d'un échantillon de taille n de la variable X, on peut calculer la moyenne empirique X̄, qui est un estimateur de la moyenne μ de X (voir section 4).
• La loi normale N(μ, σ²) est une loi continue fondamentale, où X̄ suit la loi N(μ, σ²/n) (voir section 4). La statistique Z = (X̄ - μ) / (σ/√n) suit une loi normale centrée réduite N(0,1) (voir section 5).
• La construction d’un intervalle de confiance pour μ repose sur la distribution de X̄ et la statistique Z, permettant d’estimer la moyenne avec un niveau de confiance 1 - α (voir section 6).

💡 À retenir

Une variable aléatoire est une fonction qui associe une valeur numérique à chaque issue d'une expérience aléatoire, et sa distribution de probabilité détermine ses propriétés statistiques et la manière dont on peut en tirer des inférences.

📖 9. Paramètres inconnus

🔑 Notions clés & Définitions

• Paramètre inconnu μ à estimer : valeur réelle du paramètre d’intérêt dans une population, que l’on ne connaît pas et que l’on cherche à déterminer à partir d’un échantillon.
• Différence entre paramètre et estimateur : le paramètre est une caractéristique de la population (ex : μ), alors que l’estimateur est une règle ou une formule calculée à partir de l’échantillon (ex : X̄) permettant d’approcher ce paramètre.
• Importance de l'estimation du paramètre dans l'inférence : elle permet de faire des conclusions sur la population à partir de données échantillonnées, en quantifiant l’incertitude liée à l’échantillonnage (voir PERROUX, 2003).

📝 Points essentiels

• La valeur réelle du paramètre μ est inconnue, ce qui motive l’utilisation d’estimateurs pour le déterminer.
• La moyenne empirique X̄ est un estimateur de μ, basé sur un échantillon de taille n.
• La construction d’un intervalle de confiance repose sur la distribution de X̄, notamment si X suit une loi normale N(μ, σ²), alors X̄ suit N(μ, σ²/n).
• La statistique Z = (X̄ - μ) / (σ/√n) suit une loi normale centrée réduite N(0,1) (voir PERROUX, 2003).
• La précision de l’estimation dépend de la taille de l’échantillon n, plus n est grand, plus l’estimateur est précis (voir KUZNETS, 1955).
• La méthode consiste à construire un intervalle [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)] pour couvrir μ avec une probabilité 1 - α.
• La valeur critique z_α/2 est déterminée à partir de la loi normale centrée réduite, en fonction du niveau de confiance choisi.
• L’estimation du paramètre est essentielle pour l’inférence statistique, car elle permet de faire des conclusions probabilistes sur la population à partir de l’échantillon (voir PERROUX, 2003).

💡 À retenir

L’estimation du paramètre inconnu μ à partir d’un échantillon repose sur la construction d’un intervalle de confiance basé sur la distribution de l’échantillon, dont la précision dépend de la taille de l’échantillon.

📖 10. Taille d'échantillon

🔑 Notions clés & Définitions

• Taille d’échantillon (n) : nombre d’individus ou d’observations dans un échantillon. Elle influence directement la précision de l’estimation du paramètre de la population.
• Variance de la moyenne empirique (σ²/n) : mesure de la dispersion de la moyenne empirique X̄ autour de la moyenne réelle μ, où σ² est la variance de la population. Selon PERROUX (date), cette variance diminue avec l’augmentation de n, améliorant la précision de l’estimation.
• Rôle de n dans la précision : plus n est grand, plus l’estimation de μ est précise, car la variance de X̄ diminue. La précision augmente donc avec la taille de l’échantillon, permettant une meilleure estimation du paramètre.
• Influence de n sur la largeur de l’intervalle de confiance : la largeur de l’intervalle [X̄ - z_α/2 * (σ/√n), X̄ + z_α/2 * (σ/√n)] diminue lorsque n augmente, ce qui renforce la précision de l’estimation.

📝 Points essentiels

• La taille d’échantillon n détermine la variance de la moyenne empirique σ²/n, qui est un indicateur clé de la précision de l’estimation. Une augmentation de n réduit cette variance, rendant l’estimation plus fiable.
• La précision de l’estimation de μ s’améliore avec l’augmentation de n, car la variance de X̄ diminue, conformément à la formule σ²/n.
• La largeur de l’intervalle de confiance est directement liée à n : elle se réduit lorsque n augmente, ce qui permet d’obtenir des estimations plus précises et plus étroites.
• Selon PERROUX (date), cette relation explique l’intérêt d’augmenter la taille d’échantillon pour réduire l’incertitude dans l’estimation.
• La construction d’un intervalle de confiance repose sur la statistique Z, dont la précision dépend de n via la racine carrée n.

💡 À retenir

La taille d’échantillon n est cruciale car elle réduit la variance de l’estimation et la largeur de l’intervalle de confiance, améliorant ainsi la précision et la fiabilité de l’estimation du paramètre.

📊 Tableau de synthèse comparatif : Estimation de la moyenne et Intervalle de confiance

Critère	Estimation ponctuelle	Intervalle de confiance	Distribution normale	Statistique Z	Auteur / Référence
Objectif	Approcher μ par X̄	Définir une plage avec probabilité 1-α	Loi N(μ, σ²) pour X, N(μ, σ²/n) pour X̄	Standardiser X̄ pour inférence	PERROUX (1983), loi normale
Formule	$\hat{\mu} = \bar{X}$	$[\bar{X} - z_{α/2} \frac{\sigma}{\sqrt{n}}, \bar{X} + z_{α/2} \frac{\sigma}{\sqrt{n}}]$	N(μ, σ²) ou N(μ, σ²/n)	$Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}$	Auteurs variés, PERROUX
Niveau de confiance	N/A	1 - α	N/A	N/A	PERROUX, loi normale
Dépendance	Biais nul, moyenne empirique	Taille d’échantillon, variance connue	Loi de X̄	Loi normale centrée réduite	PERROUX, loi normale

⚠️ Pièges & Confusions Fréquentes

1. Confondre estimation ponctuelle (X̄) et intervalle de confiance (plage avec probabilité 1-α).
2. Utiliser la loi normale même si σ est inconnu, sans appliquer la correction avec la loi t de Student.
3. Oublier que la distribution de X̄ est normale uniquement si X suit une loi normale ou si n est grand (théorème central limite).
4. Confondre la valeur critique z_{α/2} avec la valeur z_{1-α/2}.
5. Négliger l’impact de la taille d’échantillon sur la précision de l’estimation (plus n est grand, plus l’intervalle est précis).
6. Utiliser la formule de l’intervalle avec σ inconnu sans ajustement (erreur fréquente).
7. Confondre la distribution normale N(μ, σ²) avec la loi de la moyenne empirique X̄ dans des contextes non normaux ou petits échantillons.

✅ Checklist d'examen

1. Connaître la définition de la moyenne empirique X̄ et son rôle comme estimateur de μ.
2. Savoir que X̄ est un estimateur sans biais, avec $E[\bar{X}] = \mu$.
3. Maîtriser la formule de l’intervalle de confiance pour μ lorsque σ est connu : $[ \bar{X} - z_{α/2} \frac{\sigma}{\sqrt{n}}, \bar{X} + z_{α/2} \frac{\sigma}{\sqrt{n}} ]$.
4. Comprendre que la distribution de X̄ suit N(μ, σ²/n) si X suit N(μ, σ²).
5. Savoir que la statistique Z = (X̄ - μ) / (σ/√n) suit une loi normale centrée réduite N(0,1).
6. Être capable de déterminer la valeur critique z_{α/2} à partir de la loi normale N(0,1).
7. Connaître la formule de l’intervalle de confiance lorsque σ est inconnu, en utilisant la loi t de Student.
8. Savoir que la précision de l’estimation augmente avec la taille de l’échantillon n.
9. Comprendre le principe de la couverture probabiliste (niveau de confiance 1-α).
10. Identifier les conditions d’utilisation de la loi normale (normalité, taille d’échantillon).
11. Connaître la propriété de la distribution normale N(μ, σ²) et ses paramètres.
12. Vérifier la maîtrise du vocabulaire : moyenne empirique, intervalle de confiance, statistique Z, loi normale.