Partie 5 PDF

Introduction
Cours: Probabilité et Statistique

Chapitre 5
L’objectif de cette partie est de répondre à la problématique suivante : comment,
Echantillonnage à partir d’informations (couple moyenne-écart-type ou proportion) connues sur
une population, peut-on prévoir celles d’un échantillon ?
Nous distinguerons deux cas : celui où l’on étudie une moyenne dans un
BAIZ Othmane échantillon et celui où l’on étudie une proportion dans un échantillon.
F. P. de Ouarzazate
Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 1 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 2 / 15
Étude de la moyenne d’un échantillon L’objective
1. Étude de la moyenne d’un échantillon

On dispose d’une population sur laquelle est définie une variable aléatoire X dont
on connaît l’espérance (ou la moyenne) m et l’écart-type σ
On s’intéresse aux échantillons de taille n. Auront-ils tous la même moyenne ?
Non, certains peuvent être constitués d’éléments atypiques et avoir une moyenne
très différente de celle de la population (surtout si l’échantillon est de petite taille).
Notons X la variable aléatoire qui, à chaque échantillon de taille n, associe sa

moyenne ( X s’appelle encore la distribution des moyennes des échantillons). Que
peut-on dire de cette variable aléatoire X ?
Théorème Central Limite - Version 1 - (Version faible) Théorème Central Limite - Version 1 - (Version forte)
Contexte : variable aléatoire X qui suit une loi normale sur la population Contexte : variable aléatoire X qui suit une loi quelconque sur la population avec
X ,→ N(µ, σ) E (X ) = µ, σ(X ) = σ
On prélève, au hasard, un échantillon (tirages avec remise ou assimilés) de taille n On prélève, au hasard, un échantillon (tirages avec remise ou assimilés) de taille n,
de moyenne X . Alors la variable aléatoire X suit également une loi normale : avec n ≥ 30, de moyenne X . Alors la variable aléatoire X suit approximativement
σ une loi normale :
σ
X ,→ N(µ, √ ). N ,→ N µ, √ .
n n
Exemple Reponse
Ici, nous ne connaissons pas la loi sur la population, mais l’effectif n de
l’échantillon est supérieur à 30. Nous allons donc pouvoir utiliser le T.C.L. 2.
Notons X la variable aléatoire qui, à tout échantillon de taille n = 35, fait
correspondre sa moyenne.
Les statistiques des notes obtenues au BAC au maroc pour l’année 2006 sont : 1, 46
Alors X ,→ N(10, 44, √ )
Moyenne nationale : µ = 10, 44 35
Écart-type : σ = 1, 46. X −10,44

Posons T = 1,46
√
Ainsi T ,→ N(0; 1).
35
Une classe comporte 35 élèves issus d’un BAC en 2006. Calculer la probabilité que Nous obtenons alors par centrage et réduction :
la moyenne de cette classe soit supérieure à 10.
X − 10, 44 10 − 10, 44
p(X ≥ 10) = p( 1,46 ≥ 1,46 )
√ √
35 35
= p(T ≥ −1.78)
= p(T ≤ 1.78)
= Flois normal centré (1.78)
Reponse Étude d’une proportion dans un échantillon
2. Étude d’une proportion dans un échantillon
Et par lecture directe de la table de la loi normale centrée-réduite : Cette fois-ci, on dispose d’une population sur laquelle on étudie un caractère (ou
attribut) A dont on connaît la proportion p dans la population.
F (1, 78) = 0, 9625
Conclusion : il y a environ 96% de chance que, dans cette classe de BTS, la

moyenne des notes au baccalauréat de Mathématiques soit supérieure à 10.
L’objective Théorème
Contexte : une population sur laquelle on étudie un caractère A répandu avec une
fréquence p.
On s’intéresse aux échantillons de taille n. La proportion du caractère A dans les On prélève, au hasard, un échantillon (tirages avec remise ou assimilés) de taille n,
échantillons sera-t-elle toujours la même ? Evidemment non, cette proportion varie avec n ≥ 30.
en fonction de l’échantillon choisi. Notons F la variable aléatoire qui, à chaque
échantillon de taille n, associe sa proportion du caractère A (F s’appelle
On note F la fréquence du caractère A dans l’échantillon. Alors la variable
distribution des fréquence des échantillons). Que peut-on dire de cette variable
aléatoire F suit approximativement une loi normale : :
aléatoire F ?
r
p(1 − p)
F ,→ N p, .
n
Exemple Reponse
Ici, nous avons n = 100 et p = 0, 4. La variable aléatoire F correspondant à la

fréquence des votes pour le candidat dans l’échantillon vérifie donc :
r r
0, 4 × 0, 6 0, 24
F ,→ N(0, 4; ) = N(0, 4; ).
100 100
Une élection a eu lieu et un candidat a eu 40% des voix. On prélève un échantillon Posons T = F√−0,4
0,24
ainsi F ,→ N(0, 1). Nous obtenons alors par centrage et
100
de 100 bulletins de vote. Quelle est la probabilité que, dans l’échantillon, le réduction :
candidat ait entre 35% et 45% des voix ?
p(0.35 ≤ F ≤ 0.45) = p(−1.02 ≤ T ≤ 1.02) = 2F (1.02) − 1
Et par lecture directe de la table de la loi normale centrée-réduite

F (1.02) = 0.8461.
D’ou p(0.35 ≤ F ≤ 0.45) = 0.6922
Il y a donc environ 69% de chance que, dans un échantillon de taille n = 100, le

candidat ait entre 35% et 45% des voix.

Partie 5 PDF

Transféré par

Informations du document

Titre original

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 ?

Droits d'auteur :

Formats disponibles

Partie 5 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

Cours: Probabilité et Statistique

Étude de la moyenne d’un échantillon L’objective

1. Étude de la moyenne d’un échantillon

Notons X la variable aléatoire qui, à chaque échantillon de taille n, associe sa

Écart-type : σ = 1, 46. X −10,44

2. Étude d’une proportion dans un échantillon

Conclusion : il y a environ 96% de chance que, dans cette classe de BTS, la

Ici, nous avons n = 100 et p = 0, 4. La variable aléatoire F correspondant à la

Et par lecture directe de la table de la loi normale centrée-réduite

D’ou p(0.35 ≤ F ≤ 0.45) = 0.6922

Il y a donc environ 69% de chance que, dans un échantillon de taille n = 100, le

Vous aimerez peut-être aussi