MOOC Statistique pour ingénieur

Thème 2 : échantillonnage, estimation

Vidéo 2 : Distributions d’échantillonnage

F. Delacroix M. Lecomte
Institut Mines-Télécom
École Nationale Supérieure des Mines de Douai

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

 Sommaire

1 Moyenne empirique

2 Variance empirique

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Moyenne empirique de l’échantillon

X=longueur

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Moyenne empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Moyenne empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .

X
ω1 −→ x1
ω2 −→ x2
.. ..
. .
ωn −→ xn

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Moyenne empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .

1∑
n
x1 , x2 , . . . , xn x= xi
n
i=1
↑ ↑ ↑ ↑
1∑
n
X1 , X2 , . . . , Xn X= Xi
n
i=1

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Moyenne empirique de l’échantillon

X=longueur

µ = E (X) relative à la population

x est la moyenne de l’échantillon

x est une estimation ponctuelle de µ

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Espérance et variance de X
( )
( ) 1∑ 1∑
n n
E X =E Xi = E (Xi )
n n
i=1 i=1

1 ∑
n
= µ=µ
n
i=1

( )
( ) 1∑ 1 ∑
n n
V X =V Xi = 2 V (Xi )
n n
i=1 i=1

1 ∑ 2 σ2
n
= 2 σ =
n n
i=1

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Espérance et variance de X

Théorème

( )
E X =µ
( ) σ2
V X =
n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

n = 1 (loi de X)

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

X avec n = 3

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

X avec n = 10

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

X−µ
U= √ ∼ N (0, 1)
σ/ n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

X−µ
U= √ ∼ N (0, 1)
σ/ n
( )
P −1, 96 ≤ ≤ 1, 96 = 0, 95
X−µ
√
σ/ n
( )
soit P X − 1, 96 n ≤ µ ≤ X + 1, 96 n = 0, 95
√σ √σ

[ ]
σ σ
−1, 96 1, 96 IC0,95 (µ) = X − 1, 96 √ , X + 1, 96 √
n n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

Quelle est la loi de X ?

n = 1 (densité de X)

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

densité de X pour n = 2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

( )
σ2
densité N µ, pour n = 2
n
MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation
Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

densité de X pour n = 3

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

( )
σ2
densité N µ, pour n = 3
n
MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation
Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

densité de X pour n = 5

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Et si X ne suit pas une loi normale ?

Exemple
Soit une v.a. X de densité

 1 + x si x ∈ [0, 2]
f(x) = 4
0 sinon.

( )
σ2
densité N µ, pour n = 5
n
MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation
Et si X ne suit pas une loi normale ?

Théorème (Central-limite)
Sous les hypothèses de la statistique classique, la variable aléatoire

X−µ
U= √
σ/ n

suit approximativement N (0, 1).

( )
σ2
Autrement dit, X suit approximativement N µ, .
n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

 Sommaire

1 Moyenne empirique

2 Variance empirique

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Variance empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Variance empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .
1∑
n
x1 , x2 , . . . , xn 2
s = (xi − x)2
n
i=1

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Variance empirique de l’échantillon

X caractère étudié
E (X) = µ, V (X) = σ 2 .
1∑
n
x1 , x2 , . . . , xn s =2
(xi − x)2
n
i=1
↑ ↑ ↑ ↑
1 ∑n
( )2
X1 , X2 , . . . , Xn S2 = Xi − X
n
i=1

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Estimateurs de la variance

( ) n−1 2
E S2 = σ ̸= σ 2 S2 = Variance empirique
n

S2 est une statistique biaisée pour σ 2 .

n ( )
S∗2 = S2 E S∗2 = σ 2 S∗2 = Variance corrigée
n−1

S∗2 est une statistique non biaisée pour σ 2 .

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

Théorème
Si X ∼ N (µ, σ 2 ) alors la v.a.

n S2
Z=
σ2
suit la loi du χ2 à ν = n − 1 degrés de
liberté.
ν=5

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

Théorème
Si X ∼ N (µ, σ 2 ) alors la v.a.

n S2
Z=
σ2
suit la loi du χ2 à ν = n − 1 degrés de
liberté.
ν=7

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Cas des échantillons gaussiens

Théorème
Si X ∼ N (µ, σ 2 ) alors la v.a.

n S2
Z=
σ2
suit la loi du χ2 à ν = n − 1 degrés de
liberté.
ν=9

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation

Intervalle de confiance pour σ 2

P (Z < t1 ) = 2, 5%
P (Z > t2() = 2, 5% )
n S2
Alors P t1 ≤ 2 ≤ t2 = 95%
σ
[ 2 ]
2 n S n S2
IC0,95 (σ ) = ,
t2 t1

t1 t2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation