Vous êtes sur la page 1sur 7

Rappels

Population

Chapitre 4

chantillon de taille n
Recensement : ralit

Echantillonnage
Estimation ponctuelle
Intervalle de confiance
H. MOUSSA

chantillon : estimation de la
ralit
 Lestimation dpend de
1

H. MOUSSA

Moyenne



Mthodes dchantillonnage

Population - chantillon


lchantillon prlev !

chantillons probabilistes
 alatoire simple (sondage au hasard)
 par grappe
 stratifi

chantillons non probabilistes


 Sur base volontaire
 commodit

Population : = xi / N
chantillon :
= xi / n

Variance



Population : = (xi - ) / N
chantillon : s = ( xi - )
n1

H. MOUSSA

H. MOUSSA

Comment faire un tirage alatoire simple ?

Tirage alatoire non - exhaustif

Exemple :
 les N individus dune population P sont numrots de
1 N.


On tire un chantillon de taille n au hasard


 table de nombres alatoires
 gnrer des nombres alatoires avec un
logiciel (Excel, SAS, MINITAB)

La population ne varie pas de faon


significative au cours des tirages :


Tirage avec remise

Taille de la population trs grande par


rapport la taille de lchantillon extrait :

Tirage

sans remise est assimilable un tirage


avec remise

Remarque :
chaque individu de la population a la mme chance dtre
slectionn chaque tirage
H. MOUSSA

Cadre du cours : tirage alatoire nonnon- exhaustif


5

H. MOUSSA

Modlisation dune exprience alatoire


Exemple : le jet de d
 6 rsultats possibles :
on obtient la face i i= 1, 2, , 6

Rappels de probabilit

 On ne peut pas prdire le rsultat de lexprience


 Chaque rsultat a la mme chance de se produire
 Frquence de ralisation = 1/6 (1 chance sur 6)

Variables alatoires et
Modle probabiliste
H. MOUSSA

notion

H. MOUSSA

Les variables alatoires




: v.a. associe un caractre


valeurs possibles de la v.a = valeurs des
observations de la srie statistique qui reprsente le
caractre tudi

Exprience alatoire : extraire au hasard un individu dune


population dans laquelle 40% des individus possdent une
voiture
(proportion p = 0,4)

Soit la v.a. X

 Exemple

 Loi des grands nombres : les frquences


mesures sur les tirages convergent vers les
probabilits

t IR, FX ( t ) = PX (] ; t ]) = P ( X t )

Si lindividu a une voiture


sinon

P(X = 1) = p = 0,4 et P(X= 0) = 11-p = 0,6

x1, , xn : les n valeurs possibles de la v.a. X

P ( X = xi ) = pi : probabilit pour que X prenne la


valeur xi

Proprits :

P( X > t) = 1 FX (t )

P(a < X b) = FX (b) FX (a)

10

Loi de probabilit : pi [0 ; 1] et i pi = 1

Fonction de rpartition : F(t) = (xi t) P ( X = xi )


P( X t )

 La loi de X est entirement dtermine par Fx


H. MOUSSA

v.a discrtes : loi de probabilits

X v.a. de loi de probabilit PX


 FX : fonction de rpartition de X

0 FX (t ) 1

H. MOUSSA

Fonctions de rpartition

v.a. associe un caractre

Une variable alatoire (v.a) X est une description


numrique du rsultat dune exprience alatoire

H. MOUSSA

de probabilit

11

H. MOUSSA

12

Variable alatoire continue

Paramtres dune v.a. discrte


 x1,

, xn : les n valeurs possibles de X


 pi = probabilit pour que (X = xi)
 Esprance

 Variance

: E[X] = i xi pi =

Densit de probabilit
X v.a. de fonction de rpartition FX telle que :

t IR, FX (t ) =

H. MOUSSA

Soit S la somme des v.a


v.a.. X et Y : S = X + Y



Variance : Var[X] = IR (x - ) f(x) dx

Remarque : Var[X] = E[ (X - E[X] ) ]




E(S) = E(X) + E(Y)


Var(S) = Var (X) + Var(Y) + 2 Cov(X,Y)
Cov(X,Y)

Si X et Y sont indpendantes, alors Cov


Cov(X,Y)
(X,Y) =
0
Var(S) = Var (X) + Var(Y)
La variance de la somme de variables alatoires
indpendantes est la somme de leurs variances.

15

H. MOUSSA

Le modle binomial

16

Le modle binomial

C1C1- un tirage alatoire a 2 rsultats possibles :


- succs : probabilit p
- chec : probabilit 11- p

Probabilit dobtenir k succs en n tirages :

C nk p k (1 p ) n k

C2C2- On rpte lidentique n fois le mme tirage


et la probabilit p de succs ne se modifie pas
(tirage alatoire nonnon-exhaustif)
C3 -Les n tirages sont mutuellement indpendants




Quelle est la probabilit dobtenir k succs ?


( k {1, 2, , n} )
H. MOUSSA

14

Somme de 2 variables alatoires

Esprance de X : E[X] = IR x f(x) dx =

H. MOUSSA

f X (u )du

t IR , P ( X = t ) = 0

13

Pour tout x, fX(x) 0 et IR fX(u) du = 1


attention !!!

Paramtre dune v.a


v.a.. continue


P(X t)
 X est une variable alatoire absolument continue

: Var[X] = i pi (xi )
H. MOUSSA

17

p : probabilit de succs dun tirage


1-p : probabilit dchec dun tirage
n : nombre de tirages
H. MOUSSA

18

Rappels
C nk =

n!

Exemple de loi binomiale : sondage au hasard


non exhaustif

k n

k ! ( n k )!

Une population dans laquelle des individus en


proportion p ont une proprit a.



k ! = k ( k 1)( k 2 )... 1
et

par

 Probabilit

0! = 1

convention

que k individus aient la proprit a :

C nk p k (1 p) n k

Remarque : Utilisation de la table de la loi binomiale

Tirage sans remise avec n<< N :


 loi binomiale

Pour p > 0, 5 : n - X ~ B(n, 11-p)


H. MOUSSA

19

H. MOUSSA

20

Loi de Poisson

Esprance et variance dune loi binomiale




On extrait au hasard n individus de la population


chaque individu extrait est remis dans la population
avant le tirage suivant (tirage avec remise)

Esprance de X ~ B (n,p) :

loi de Poisson de paramtre : P ()


(loi des vnements rares) dfinie par :

X une v.a de loi de Poisson : E[X] = et V[X] =


Approximation de la loi binomiale B(n,p) par la loi
de Poisson de paramtre np : P(np)
np)
 n grand (n>30) et p trs petit
 np < 5

E[X] = =n p


Variance de X ~ B (n,p) :
Var[X] = n p (1 - p)

H. MOUSSA

21

Loi normale N (, )





22

Courbe normale ou cloche gaussienne

Densit de probabilit

f ( x) =


H. MOUSSA

e (x )

2 2

Esprance mathmatique de X : E[X] =


Variance : Var[X] =
cart-- type =
cart
H. MOUSSA

23

H. MOUSSA

24

Loi normale centre rduite

Tendance centrale : rgle empirique




Loi N(0,1) : = 0 et = 1

Z v.a normale centre rduite alors Z + est


une v.a. de loi N (, )

X ~ N (, )  X - ~ N (0, 1 )

X - : v.a. normale centre rduite associe X

-
-2

-3

+2
H. MOUSSA

+3

25

H. MOUSSA

26

Approximation normale de la loi binomiale




Pour n grand, la loi normale N(np


N(np ,
)
est une bonne approximation de la loi binomiale
B(
B(n,p
n,p))
 n > 30 np 5

Distribution dchantillonnage

Remarque
Pour n quelconque, lapproximation sera meilleure
si p = 0,5

H. MOUSSA

Estimation ponctuelle
Intervalle de confiance

27

Echantillonnage

H. MOUSSA

Relation entre chantillon et variable alatoire

Population de taille N
Moyenne
variance
Proportion p

chantillon de taille n
Moyenne
estimateurs
variance s
Proportion

H. MOUSSA

28

Un chantillon de taille n dune v.a


v.a.. X est obtenu
en rptant n fois lpreuve qui donne X.
 Notation : (X1, X2, , Xn)
=> chantillon = vecteur alatoire
Soit une variable X de moyenne et de variance
. La moyenne
dun chantillon de taille n
est la moyenne arithmtique de ses valeurs X1,
, Xn :
=>
: v.a de moyenne et de variance /n
29

H. MOUSSA

30

Distribution dchantillonnage (2/2)

Distribution dchantillonnage


 La moyenne de lchantillon
moyenne et de variance
n

Processus de slection dun chantillon


Exprience alatoire
 2 chantillons de mme taille extraits dune mme
population gnrent des valeurs diffrentes pour
, s et


 La

variance de lchantillon s est une va de


moyenne (n(n-1) /n

, ss,, sont des variables alatoires


leurs lois de probabilit respectives reprsentent
les distributions dchantillonnage

 La

proportion de de lchantillon est une va


de moyenne p et de variance p(1p(1-p) /n

H. MOUSSA

est une v.a. de

31

H. MOUSSA

32

Estimation

Lois approches

Estimer la valeur dun paramtre (moyenne, variance,


proportion) dune population cest calculer la valeur dune
caractristique correspondante de l chantillon pour en
dduire des information sur la caractristique correspondante
de la population

Thorme central limite


Pour un chantillon de grande taille ( np 5,
n(1
n(1--p) 5)
5)

=> Exemple : calculer la moyenne d'un chantillon


estimer la vraie moyenne de la population

 la distribution dchantillonnage de
est
approximativement la loi normale N(,
N(, /n)
 Idem pour
:
Loi de
Loi normale N (p,
)

Estimation ponctuelle
on commet une erreur dchantillonnage : I x - I


H. MOUSSA

pour

Estimation par intervalle

33

H. MOUSSA

Exercice

34

Estimateur biais estimateur non biais

Un chantillon alatoire des donnes sur les ventes au


cours de cinq mois a fourni les informations suivantes :
Mois :
Units vendues :

1
94

2
100

3
85

4
94

5
95

1- Quelle est lestimation ponctuelle du nombre moyen


dunits vendues par mois ?
2- Quelle est lestimation ponctuelle de lcart -type ?
H. MOUSSA

35




est un estimateur non biais de


s est un estimateur biais de
 terme correctif : (n(n-1) / n pour n<30 (petits chantillons)
chantillons)
H. MOUSSA

36

Intervalle de confiance

Estimation dune proportion


Coefficient de
confiance

p est inconnue
Avec un degr de confiance de 1-, p appartient
lintervalle de confiance :
Erreur -type

1-

/2

/2

p u(2 )

u(/2)

-u(/2)

n
=

est le risque pris en restreignant les valeurs dune v.a.


normale centre rduite X celles comprises dans
l'intervalle de confiance [-u(/2);
u(/2); ]
H. MOUSSA

p + u(2 )

p(1 p )

nombre dindividus ayant la proprit (a) =

k
n

Pour n petit ( n < 30 ) , u(


u(/2) = tn-1(/2) (loi de Student)
Student)
37

38

Exercice 7 : estimation dune proportion

est inconnue
Intervalle de confiance au seuil de signification :

On veut estimer la proportion des mnages dun pays qui


possdent au moins une voiture. On extrait par un tirage au
hasard nonnon- exhaustif 1000 mnages; 320 dentre eux
possdent au moins une voiture.

Si est connu

s2
s2
; x + z( 2 )
x z( 2 )

n 1
n 1

taille de lchantillon

Estimation dune moyenne

2
2
; x + u( 2 )
x u( 2 )

n
n

p(1 p )

Si inconnu

z(
z(
/2) = u(
u(/2)

1- Donner une estimation de la proportion des mnages de


la population ayant au moins une voiture
2- Donner une loi approche de lestimateur
3- Construire, en expliquant la dmarche, un intervalle de
confiance au risque de 5% (seuil de confiance 95%) de
la proportion des mnages de la population ayant au
moins une voiture

sauf pour n petit et X de loi normale z(


z(
/2) = tn-1(/2) (loi de Student
Student))
H. MOUSSA

39

H. MOUSSA

40

Vous aimerez peut-être aussi