Vous êtes sur la page 1sur 4

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 ?

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 3 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 4 / 15
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

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 5 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 6 / 15

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)

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 7 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 8 / 15
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.

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 9 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 10 / 15

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

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 11 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 12 / 15
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.

Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 13 / 15 Othmane Baiz (F. P. O) Cours: Probabilité et Statistique[2mm] Chapitre 5[1mm] Echantillonnage 14 / 15