Dans ce guide
Un intervalle de confiance pour une moyenne et un intervalle de prédiction pour une observation future ne répondent pas à la même question. Le premier estime une moyenne inconnue. Le second tient compte de l’écart possible entre un résultat individuel et cette moyenne. Avant de comparer les bornes, identifiez la cible : deux intervalles peuvent avoir le même centre sans avoir le même rôle.
Vous pouvez, par exemple, vouloir estimer la mesure moyenne d’un processus stable ou anticiper sa prochaine mesure. Mieux connaître la moyenne ne supprime pas les différences entre mesures individuelles. NIST distingue ainsi la réponse moyenne estimée d’une nouvelle réponse mesurée. NIST : estimation de la réponse moyenne.
Commencez par la cible de l’intervalle
Décrivez cette cible avec des mots. S’agit-il de la moyenne de la population, de la réponse moyenne pour des valeurs d’entrée données ou d’une nouvelle observation ? Un intervalle de confiance peut porter sur d’autres paramètres que des moyennes. Ce guide compare une moyenne à une seule valeur future.
En régression, une réponse moyenne estimée est la moyenne correspondant à des valeurs précises des variables explicatives. Une réponse individuelle pour ces mêmes valeurs comporte aussi sa propre variabilité aléatoire. L’intervalle de prédiction doit intégrer cette variabilité supplémentaire. NIST : incertitude d’une réponse individuelle.
| Question | Cible | Intervalle adapté dans cette comparaison | Ce qu’il ne démontre pas |
|---|---|---|---|
| Quelle est la mesure moyenne du processus ? | La moyenne inconnue de la population | Un intervalle de confiance pour cette moyenne | Une plage destinée à couvrir la prochaine mesure individuelle |
| Quelle plage utiliser pour la prochaine mesure ? | Une observation future indépendante du même processus | Un intervalle de prédiction pour une observation | La garantie que cette mesure sera comprise dedans |
Définir clairement le modèle de calcul
Considérons un processus fictif dont les mesures sont exprimées en unités arbitraires. Supposons des observations indépendantes issues d’une même loi normale. Sa moyenne, notée μ, est inconnue. L’écart-type de la population, noté σ, est connu et vaut 10 unités. Un échantillon de 25 mesures a une moyenne observée de 50 unités.
La prochaine mesure est indépendante des 25 précédentes et provient de cette même distribution, restée inchangée. Ce sont les hypothèses de l’exercice, pas des constats sur un instrument réel. En particulier, 10 est un écart-type de population fixé par hypothèse, et non une estimation issue de l’échantillon que l’on traiterait implicitement comme connue.
Pour des intervalles bilatéraux à 95 %, utilisons la valeur critique de la loi normale centrée réduite, approximativement 1,96. Sous ce modèle, l’intervalle de confiance pour μ est x̄ ± 1,96σ/√n. L’intervalle de prédiction d’une nouvelle observation est x̄ ± 1,96σ√(1 + 1/n). Les notes de Calvin University présentent l’intervalle de la moyenne avec σ connu et établissent le terme supplémentaire de prédiction. Math 143 : intervalles de confiance et §1.11.
| Calcul | Intervalle de confiance pour la moyenne | Intervalle de prédiction d’une observation |
|---|---|---|
| Centre | 50 unités | 50 unités |
| Écart-type utilisé pour l’intervalle | 10/√25 = 2 unités | 10√(1 + 1/25) ≈ 10,1980 unités |
| Demi-largeur avec 1,96 | 1,96 × 2 = 3,92 unités | 1,96 × 10√1,04 ≈ 19,9882 unités |
| Borne inférieure | 46,08 unités | Environ 30,01 unités |
| Borne supérieure | 53,92 unités | Environ 69,99 unités |
Dans cet exemple, l’intervalle de confiance pour la moyenne a une demi-largeur de 3,92 unités. Celle de l’intervalle de prédiction est d’environ 19,99 unités. Les deux intervalles sont centrés sur la moyenne observée de 50, mais le second doit intégrer la variabilité d’une mesure individuelle, en plus de l’incertitude sur la moyenne estimée.
Dans ce modèle, la variance de la différence entre la mesure future et la moyenne de l’échantillon vaut σ² + σ²/n = 100 + 4 = 104 unités au carré. L’indépendance permet d’additionner ces variances ; leur racine carrée donne l’écart-type utilisé pour la prédiction. Additionner les écarts-types, 10 + 2, serait un calcul différent et incorrect. C’est le même principe de combinaison des variances que décrit NIST pour une nouvelle réponse.
Le 95 % décrit la procédure
Pour l’intervalle de la moyenne, imaginez que vous prélevez de façon répétée des échantillons indépendants de 25 observations dans cette population, puis construisez un intervalle à chaque fois. Sous les hypothèses, la méthode couvre la moyenne fixe et inconnue dans environ 95 % des répétitions. Cela n’attribue pas une probabilité a posteriori de 95 % à la présence de μ dans l’intervalle précis déjà calculé. NIST explique la couverture par des expériences répétées. NIST : interprétation des intervalles de confiance.
Pour l’intervalle de prédiction, répétez les deux étapes : prélevez un échantillon, construisez l’intervalle, puis tirez une nouvelle observation indépendante de la même population. Environ 95 % de ces répétitions, chacune associant échantillon et observation future, donneront un intervalle contenant la nouvelle observation correspondante. Ce n’est ni une garantie pour la prochaine mesure ni la promesse qu’exactement 95 des 100 prochaines mesures entreront dans l’unique intervalle affiché ici. NIST : interprétation des intervalles de prédiction.
Pour voir la différence concrète, supposons qu’une mesure fictive ultérieure soit de 60 unités. Elle est hors de 46,08–53,92, mais dans la plage d’environ 30,01–69,99. Être hors de l’intervalle de la moyenne ne suffit pas à dire que celui-ci a échoué : il visait μ, pas la nouvelle mesure. Il faudrait connaître la vraie moyenne pour savoir si cet intervalle précis la couvre.
Comparer les largeurs seulement à analyse comparable
Ici, l’intervalle de prédiction est plus large parce que le modèle, les données, le centre, le niveau de confiance et les unités sont identiques, tandis que sa cible ajoute la variabilité individuelle. N’étendez pas cette comparaison à un intervalle de confiance d’une étude et un intervalle de prédiction d’une autre, ni à des niveaux de confiance ou des populations différents.
Dans ce modèle fictif à σ connu, augmenter n fait tendre σ/√n vers zéro, alors que σ√(1 + 1/n) tend vers σ. Plus d’observations peuvent améliorer la connaissance de la moyenne sans supprimer la variabilité individuelle. Cette conclusion suppose σ et le modèle fixes ; elle ne signifie pas que tout intervalle de prédiction réel rétrécit dès que de nouvelles données arrivent.
Couvrir une proportion donnée de la population est encore une autre tâche. NIST distingue ces intervalles de tolérance des intervalles de prédiction pour une observation. Ne présentez pas l’intervalle affiché comme la preuve qu’il contient 95 % de toute la population avec une garantie de confiance distincte. NIST : intervalles de tolérance.
Vérifier les hypothèses avant de reprendre la formule
Connaître la variabilité de la population simplifie volontairement cet exercice. Si σ doit être estimé, ces formules à valeur critique normale ne peuvent pas être reprises telles quelles. Dans le cas correspondant d’un échantillon normal indépendant, les intervalles usuels pour la moyenne et pour une observation emploient l’écart-type de l’échantillon et une valeur critique de Student à n − 1 degrés de liberté. Calvin University, §1.9–1.11.
Dans un rapport réel, précisez la population, la méthode d’échantillonnage, la période, les unités, la cible de l’intervalle et le niveau de confiance. Vérifiez la dépendance éventuelle des observations, la stabilité du processus et l’adéquation des hypothèses de distribution. Une formule pour des mesures normales indépendantes ne s’applique pas automatiquement aux enquêtes en grappes, aux séries temporelles changeantes ou à tout modèle de régression.
Aucun de ces intervalles ne donne une chance de victoire électorale, une probabilité de paiement d’un contrat de marché ou la preuve d’une transaction rentable. Une probabilité d’événement exige un événement défini et un modèle adapté. Les guides sur les sondages et probabilités électorales (en anglais) et sur l’espérance et la probabilité expliquent pourquoi ces cibles numériques ne sont pas interchangeables.
Questions fréquentes
Un intervalle de confiance à 95 % contient-il 95 % des observations ?
Pas s’il porte sur la moyenne. La couverture concerne la moyenne inconnue lorsque l’on répète l’échantillonnage. Dans l’exemple, 46,08–53,92 estime μ ; cette plage n’est pas conçue pour contenir 95 % des mesures individuelles.
Un intervalle de prédiction est-il toujours plus large qu’un intervalle de confiance ?
Pour les deux intervalles calculés ici, oui : prédire une nouvelle mesure ajoute sa variabilité à l’incertitude sur la moyenne estimée. Cette comparaison ne s’applique pas à des jeux de données, niveaux de confiance, cibles ou méthodes non comparables. Vérifiez d’abord que les analyses sont comparables.
Pourquoi plus d’incertitude si les deux intervalles sont centrés sur 50 ?
La moyenne observée de 50 estime la moyenne du processus. Une nouvelle mesure peut s’en écarter, même si cette moyenne était parfaitement connue. Ici, la variance de prédiction comprend 100 unités au carré de variabilité individuelle et 4 unités au carré liées à l’estimation de la moyenne.
Peut-on utiliser 1,96 si l’écart-type vient de l’échantillon ?
Ne traitez pas cette estimation comme un σ de population connu. Pour la méthode d’échantillons normaux indépendants présentée ici, estimer σ conduit aux intervalles de Student avec les degrés de liberté adaptés. D’autres plans et modèles peuvent exiger d’autres méthodes ; 1,96 n’est pas un multiplicateur universel.
Une valeur dans l’intervalle de prédiction prouve-t-elle que le modèle est correct ?
Non. Une seule observation couverte ne valide pas les hypothèses de distribution, d’indépendance ou de stabilité. Une observation extérieure reste aussi possible avec une procédure à 95 % correctement spécifiée. Évaluez le modèle et ses performances avec des éléments adaptés, sans prendre un résultat unique pour une preuve.
Explorer HypaForecast
Liens facultatifs vers la page générale des marchés et les descriptions des pages BTC. Ils sont distincts de l’exemple statistique fictif et ne démontrent ni la disponibilité ni l’éligibilité.
Sources et périmètre
NIST : intervalles de tolérance. Vérifié le 13 novembre 2026 : couvrir une proportion de la population avec un niveau de confiance spécifié est distinct de prédire une observation.
La comparaison s’appuie sur les explications distinctes de NIST concernant l’estimation d’une réponse moyenne, la prédiction individuelle et la couverture par échantillonnages répétés. Les formules à écart-type de population connu sont étayées par Math 143 de Calvin University, notamment son introduction aux intervalles de confiance et §1.9–1.11. Les 25 mesures, la moyenne de 50 et l’écart-type connu de 10 sont des données fictives originales sous un modèle normal indépendant, pas des performances observées. Aucun produit météorologique, modèle électoral ou calcul de probabilité de marché n’est réalisé.
HypaForecast publie des guides pédagogiques et exploite un marché de prédiction. Cet article explique les cibles des intervalles statistiques ; il ne recommande aucune transaction et ne démontre ni probabilité de marché, ni offre actuelle, ni éligibilité personnelle.
Partager ce guide