9_echantillonnage

1/7 2/7 3/7 4/7 5/7 6/7 7/7
9. Distributions dechantillonnage
MTH2302D
S. Le Digabel et F. Gilbert,

Ecole Polytechnique de Montreal
A2013
(v3)
MTH2302D: distributions dechantillonnage 1/46
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Plan
1.

Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loi t de Student
6. Distribution echantillonnale dune dierence de deux
moyennes
7. Distribution echantillonnale dun rapport de variances
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Introduction
But
Tirer des conclusions au sujet dune population sans avoir à
examiner toutes les unites experimentales (dicile ou impossible).
Comment ?
On prelève un sous-ensemble (echantillon) de la population et on
tire des conclusions sur la population à partir des resultats obtenus
avec lechantillon.
Par exemple, on estime la moyenne de la population avec la
moyenne echantillonnale.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Denition dun echantillon aleatoire
Un echantillon aleatoire de taille n de la variable aleatoire X est
une suite de variables aleatoires independantes X
1
, X
2
, . . . , X
n
ayant toutes la meme distribution que X.
Une suite x
1
, x
2
, . . . , x
n
de valeurs prises par les v.a. X
i
est une
realisation de lechantillon.
Remarque
On suppose habituellement que la population est innie ou que la
taille de lechantillon est beaucoup plus petite que la taille de la
population.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 1
On fait lhypothèse que la taille (en cm) des 4000 etudiants
masculins dune ecole de genie est une variable aleatoire X
distribuee normalement, cest-à-dire que X N(,
2
).
Un echantillon aleatoire de taille 50 de cette population est une
suite de 50 variables aleatoires X
i
N(,
2
), i = 1, 2, . . . , 50.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Paramètres dune population
Une population (v.a.) est connue si on connat sa distribution,

cest-à-dire sa fonction de masse ou de densite.
En pratique on peut connatre une population seulement

partiellement, cest-à-dire quon connat la forme generale de
sa distribution mais avec des paramètres inconnus.
Exemple 2
On fait lhypothèse que la taille des etudiant est distribuee
normalement : X N(,
2
) mais on ne connat pas les
paramètres et
2
(moyenne et variance).
Ce sont ces paramètres que lon cherche à estimer.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Denition dune statistique
Soit X
1
, X
2
, . . . , X
n
un echantillon aleatoire dune variable
aleatoire X.
Une statistique est une fonction h(X
1
, X
2
, . . . , X
n
) ne dependant
que des variables aleatoires X
i
.
Exemples de statistiques :
La moyenne echantillonnale X =
1
n
n
i=1
X
i
La variance echantillonnale S
2
=
1
n 1
n
i=1
(X
i
X)
2
La mediane echantillonnale, etc.

1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale
Notion importante
Puisque les X
i
sont des variables aleatoires, toute statistique est
aussi une variable aleatoire et on sinteresse à sa distribution,
appelee distribution echantillonnale.
Par exemple, on discute dans les prochaines sections de lesperance
et la variance de la moyenne et la variance echantillonnales, cest à
dire E(X), V(X), E(S
2
), et V(S
2
).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale de la moyenne X
Soit X
1
, X
2
, . . . , X
n
un echantillon aleatoire dune v.a. X de
moyenne = E(X) et variance
2
= V(X).
Soit X la moyenne echantillonnale. Alors
1. E(X) = (X est un estimateur non-biaise de )
2. V(X) =

2
n
Ces resultats decoulent directement des règles de combinaisons
lineaires.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 3
Une population est constituee des nombres 2, 3, 6, 8, 11.
Lensemble des echantillons (avec remise) de taille 2 est
(2,2) (3,2) (6,2) (8,2) (11,2)
(2,3) (3,3) (6,3) (8,3) (11,3)
(2,6) (3,6) (6,6) (8,6) (11,6)
(2,8) (3,8) (6,8) (8,8) (11,8)
(2,11) (3,11) (6,11) (8,11) (11,11) .
Calculer
1. La moyenne et la variance de la population : et
2
.
2. Lesperance et la variance de la moyenne echantillonnale X :
E(X) et V(X).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution de la moyenne X (suite)
En utilisant le theorème central limite, on peut donner la loi de
probabilite de la moyenne echantillonnalle.
Si lechantillon est susamment grand, X suit approximativement
une loi N(,
2
/n).
Remarques
On a aussi (approx.) nX N(n, n

2
).
Si X N(,
2
), alors X, et nX sont exactement normales,
meme pour de petits echantillons.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution de la moyenne X (suite)
On peut egalement denir la variable aleatoire
Z =
X
/
n
qui suit approximativement une loi N(0, 1).
Remarques
Si X N(,
2
), alors Z est exactement normale, meme
pour de petits echantillons.
On appelle pivot une variable aleatoire qui se calcule à partir

dune statistique et des paramètres de la population.
Nous verrons quun pivot dont la loi de probabilite ne depend

pas des paramètres de la population permet de denir un
intervalle de conance.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 4
Toujours avec X N(,
2
), supposons que lon connaisse la
moyenne et la variance de la population : = 175 et
2
= 10
2
.
On choisit 10 echantillons aleatoires de 50 etudiants chacun.
Pour combien de ces echantillons sattend-on à avoir une moyenne
comprise entre 174 et 176 cm?
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale de la variance S
2
Soit X
1
, X
2
, . . . , X
n
un echantillon aleatoire dune v.a. X de
moyenne = E(X), de variance
2
= V(X) et de coecient
daplatissement
2
=

4
4
.
Soit S
2
la variance echantillonnale. Alors
1. E(S
2
) =
2
(S
2
est un estimateur non-biaise de
2
)
2. V(S
2
) =
4
_
2
n 1
+

2
3
n
_
Remarques
On peut montrer (dicile !) que S

2
suit approximativement
une loi normale pour de grands echantillons.
En supposant que X suit une loi normale, on peut denir la

distribution de S
2
pour de petits echantillons.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 5
Une population est constituee des nombres 2, 3, 6, 8, 11.
Les variances echantillonnales
S
2
=
1
2 1
_
(X
1
X)
2
+ (X
2
X)
2
_
des 25 echantillons (avec remise) de taille 2 sont :
0 0.5 8 18 40.5
0.5 0 4.5 12.5 32
8 4.5 0 2 12.5
18 12.5 2 0 4.5
40.5 32 12.5 4.5 0 .
Retrouver manuellement ces valeurs et calculer E(S
2
).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
La fonction gamma
Rappel
La fonction gamma est denie pour tout x > 0 par
(x) =
_

t=0
t
x1
e
t
dt.
Proprietes
1. (1) = 1,
2. (1/2) =
,
3. (x) = (x 1)(x 1) pour x > 1,
4. Si x = n N alors (n) = (n 1)! ,
5. Voir page 139.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
La loi du khi-deux
Soit Z
1
, Z
2
, . . . , Z
k
des variables aleatoires independantes et
identiquement distribuees selon une loi normale N(0, 1). Alors la
variable aleatoire
W = Z
2
1
+Z
2
2
+ +Z
2
k
suit une loi du khi-deux à k degres de liberte. On note W
2
k
. La
fonction de densite de W est
f(w) =
_
_
1
2
k/2
(k/2)
w
(k/2)1
e
w/2
si w 0 ,
0 sinon.
Remarques :
2
1
(N(0, 1))
2
et
2
k
(k/2, 1/2).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
La loi du khi-deux (suite)
Soit W
2
k
. Alors
1. E(W) = k.
2. V(W) = 2k.
3. Le quantile
2
;k
est deni par P(W >
2
;k
) = avec
0 1.
Calculs avec la loi du khi-deux
Le tableau de la page 478 du livre donne les quantile de la loi

du khi-deux.
En R :
2
;k
est donne par qchisq(1-,k).
En Excel : LOI.KHIDEUX.INVERSE.DROITE(,k).
Exemple 6
Calculer
2
0.1;3
et P(X 11.07) si X
2
5
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Additivite la loi du khi-deux
Theorème
Soient W
1
, W
2
, . . . , W
p
des v.a. khi-deux à k
1
, k
2
, . . . , k
p
degres de
liberte respectivement. Alors
Y = W
1
+W
2
+. . . +W
p
suit une loi du khi-deux à k = k
1
+k
2
+ k
p
degres de liberte.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Additivite la loi du khi-deux
Application du theorème dadditivite
Soit Z
1
, Z
2
, . . . , Z
n
un echantillon aleatoire de Z N(0, 1).
On denit
A =
n
i=1
Z
2
i
, B =
n
i=1
(Z
i
Z)
2
et C = n(Z)
2
.
On peut montrer que A = B +C.
De plus, A
2
n
et C
2
1
.
On en deduit, daprès le theorème precedent, que B
2
n1
, car
seule la loi
2
n1
, additionnee à une loi
2
1
, peut donner une loi
2
n
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution de la variance S
2
(suite)
Theorème
Soit X
1
, X
2
, . . . , X
n
un echantillon aleatoire de taille n dune
variable aleatoire normale X N(,
2
) et S
2
la variance
echantillonnale. Alors la variable aleatoire
W =
(n 1)S
2
2
suit une loi khi-deux avec n 1 degres de liberte.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution de la variance S
2
(suite)
Le theorème precedent nous permet de caracteriser la distribution
echantillonnale de S
2
.
Soit W
2
n1
, avec E(W) = n 1 et V(W) = 2(n 1). On a :
P(S
2
b) = P
_
(n1)S
2
2

(n1)b
2
_
= P
_
W
(n1)b
2
_
E(S
2
) = E
_

2
n1
W
_
=

2
n1
E(W) =
2
V(S
2
) = V
_

2
n1
W
_
=

4
(n1)
2
V(W) =
2
4
n1
Remarque : Ces resultats ne sont valides que si la population X
suit une loi N(,
2
).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 7
On fait lhypothèse que la taille (en cm) des 4000 etudiants
masculins dune ecole de genie est une variable aleatoire normale
X de moyenne 175 et variance 10
2
, cest-à-dire
X N( = 175,
2
= 10
2
).
On choisit 10 echantillons de taille 50 de la population X.
Pour combien de ces echantillons sattend-on à avoir une variance
echantillonnale S
2
dau plus 101 ?
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Loi t de Student
Rappel
Si X
1
, X
2
, . . . , X
n
est un echantillon aleatoire de taille n de la
variable aleatoire X, o` u E(X) = et V(X) =
2
, alors
Z =
X
/
n
suit approximativement une loi N(0, 1). Cette variable aleatoire est
un pivot permettant de denir un intervalle de conance pour .
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Loi t de Student (suite)
Si la variance
2
de la population nest pas connue, on remplace
par lecart-type echantillonal S =
S
2
, S
2
etant la variance
echantillonnale.
On obtient alors la variable aleatoire
T =
X
S/
n
Cette v.a. est approximativement normale si n est susamment
grand. Si X N(,
2
), on peut montrer que T suit une loi de
Student. Cette loi est valide pour les petits et les grands
echantillons.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Soit Z une variable aleatoire normale N(0, 1) et W une variable
aleatoire khi-deux à k degres de liberte. Si Z et W sont
independantes alors la variable aleatoire
T =
Z
_
W/k
suit une loi t de Student avec k degres de liberte. On note T t
k
.
La fonction de densite de T est
f(t) =

_
k+1
2
_
k
_
k
2
_
_
t
2
k
+ 1
_
k+1
2
pour tout t R.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Soit T t
k
. Alors
1. E(T) = 0.
2. V(T) =
k
k2
pour k > 2 (variance innie pour k = 1 et 2).
3. On denit le quantile t
;k
de T par P(T > t
;k
) = avec
0 1.
Propriete
La fonction de densite f(t) est symetrique par rapport à sa
moyenne 0 et alors t
;k
= t
1;k
.
Theorème
La loi t
k
est approximativement identique à une loi normale N(0, 1)
lorsque k est grand.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Calculs avec la loi de Student
Si on cherche le quantile t
;k
tel que P(T
k
> t
;k
) = :
Le tableau à la p. 479 du livre donne les quantiles t

;k
.
En R : t
;k
est donne par qt(1-,k).
En Excel : -LOI.STUDENT.INVERSE.N(,k).
Exemple 8
Calculer t
0.9;3
et P(X 2.015) si X T
5
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Utilisation de la loi de Student
Theorème
Soit X
1
, X
2
, . . . , X
n
un echantillon de taille n dune variable
aleatoire normale X N(,
2
). Soit aussi X et S
2
la moyenne et
la variance echantillonnale. On peut montrer que X et S
2
sont
independantes, de sorte que la statistique
T =
X
S/
n
suit une loi de Student avec n 1 degres de liberte.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 9
Supposons que lon sinteresse maintenant à la taille (en cm) des
2000 etudiantes dune ecole de genie.
On suppose que la taille X suit une loi normale de moyenne 170
(la variance est inconnue).
Si on choisit un echantillon de taille 25 de cette population, quelle
est la probabilite que le rapport
X 170
S
soit inferieur à 0.26 ?
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution dune dierence de moyennes
Considerons maintenant deux echantillons aleatoires independants
X
1
, X
2
, . . . , X
n
X
et Y
1
, Y
2
, . . . , Y
n
Y
de deux variables aleatoires X
et Y de moyenne et variance
X
,
2
X
et
Y
,
2
Y
respectivement.
On sinteresse à la dierence des moyennes echantillonnales XY .
Theorème
Dans la situation decrite ci-dessus
1. E(X Y ) =
X

Y
.
2. V(X Y ) =

2
X
n
X
+

2
Y
n
Y
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution dune dierence de moyennes (suite)
Theorème
La variable aleatoire
Z =
X Y (
X

Y
)
_
2
X
n
X
+

2
Y
n
Y
suit approximativement une loi normale N(0, 1) lorsque n
X
et n
Y
sont grands.
Remarque : Z suit exactement une loi N(0, 1) si X N(
X
,
2
X
)
et Y N(
Y
,
2
X
).
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 10
Soit X N(175, 10
2
) et Y N(170, 9
2
) la taille (en cm) des
etudiants et etudiantes dune ecole de genie.
On choisit un echantillon de taille 50 de X et un echantillon de
taille 25 de Y .
Quelle est la probabilite que la dierence X Y soit inferieure à
4 cm?
1/7 2/7 3/7 4/7 5/7 6/7 7/7
1.

5. Loi t de Student
moyennes
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution dun rapport de variances
Considerons à nouveau deux echantillons aleatoires independants,
de taille n
X
et n
Y
, des variables aleatoires X et Y .
On suppose que X et Y suivent des lois normales N(
X
,
2
X
) et
N(
Y
,
2
Y
) respectivement.
On sinteresse au rapport des variances echantillonnales S
2
X
/S
2
Y
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Loi de Fisher
Soient U et V deux variables aleatoires independantes suivant une
loi du khi-deux avec u et v degres de liberte, respectivement. Alors
la variable aleatoire
Y =
U/u
V/v
suit une loi de Fisher à u et v degres de liberte. On note Y F
u,v
.
La fonction de densite Y est
f(y) =
_
_
(
u+v
2
)
_
u
v
_
u/2
(
u
2
)(
v
2
)
y
(u/2)1
__
u
v
_
y + 1
_
(u+v)/2
si y 0 ,
0 si y < 0.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Loi de Fisher (suite)
Soit Y F
u,v
. Alors
1. E(Y ) =
v
v 2
si v > 2.
2. V(Y ) =
2v
2
(u +v 2)
u(v 2)
2
(v 4)
si v > 4.
3. Le quantile F
;u,v
est deni par P(Y > F
;u,v
) = avec
0 1.
Propriete
Par la denition de la loi de Fisher, 1/Y F
v,u
et on trouve que
F
1;u,v
=
1
F
;v,u
(attention à linversion des indices !)
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Calculs avec la loi de Fisher
Si on cherche le quantile F
;u,v
tel que P(Y > F
;u,v
) = :
Les quantiles de F
u,v
sont donnes à la page 480 du livre.
En R : F
;u,v
est donne par qf(1-,u,v).
En Excel : F
;u,v
est donne par INVERSE.LOI.F.N(1-,u,v).
Exemple 11
Calculer F
0.75;11,10
et P(X 200) si X F
2,1
.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Distribution dun rapport de variances (suite)
Theorème
Soit X
1
, X
2
, . . . , X
n
X
et Y
1
, Y
2
, . . . , Y
n
Y
deux echantillons
aleatoires independants, de taille n
X
et n
Y
, des variables aleatoires
X et Y .
On suppose que X et Y suivent des lois normales N(
X
,
2
X
) et
N(
Y
,
2
Y
) respectivement.
Soit S
2
X
et S
2
Y
les variances echantillonnales. Alors la variable
aleatoire
Y =
S
2
X
/
2
X
S
2
Y
/
2
Y
suit une loi de Fisher à n
X
1 et n
Y
1 degres de liberte.
1/7 2/7 3/7 4/7 5/7 6/7 7/7
Exemple 12
Soit X N(175, 10
2
) et Y N(170, 9
2
) la taille (en cm) des
etudiants et etudiantes dune ecole de genie.
On choisit un echantillon de taille 50 de X et un echantillon de
taille 25 de Y .
Quelle est la probabilite que le rapport
S
2
X
S
2
Y
soit inferieur à 3.0 ?

Langue

Bienvenue sur Scribd !

9_echantillonnage

Transféré par

Informations du document

Date du transfert

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

9_echantillonnage

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Titres liés

1/7 2/7 3/7 4/7 5/7 6/7 7/7

Une population (v.a.) est connue si on connat sa distribution,

En pratique on peut connatre une population seulement

La mediane echantillonnale, etc.

On a aussi (approx.) nX N(n, n

On appelle pivot une variable aleatoire qui se calcule `a partir

Nous verrons quun pivot dont la loi de probabilite ne depend

On peut montrer (dicile !) que S

En supposant que X suit une loi normale, on peut denir la

Le tableau de la page 478 du livre donne les quantile de la loi

Le tableau `a la p. 479 du livre donne les quantiles t

Centres d'intérêt liés

Documents similaires à 9_echantillonnage

Plus de Chamss Chamss

Populaire dans Applied Science

Titres liés

Évaluer

Partager