Semestre : 3

Résumé de cours :

Échantillonnage et
Estimation
Elaboré par : Mr Mohamed EL RHENDOR

Mohamed El Rhendor

mohamed.elrhendor@gmail.com

06 77 45 04 84

Année universitaire : 2020/2021

 Rappel sur les variables aléatoires et lois continues

➢ Les caractéristiques d’une variable aléatoire :

• L’espérance mathématique 𝑬(𝑿) (La moyenne):

𝑬(𝑿)

Cas discret : Cas continu :

𝑛 +∞
= ∑ 𝑋 𝑃(𝑋 = 𝑥𝑖 ) =∫ 𝑥 𝑓(𝑥)𝑑𝑥
𝑖=1 −∞

- Propriétées :
- 𝐸 (𝑎𝑋) = 𝑎𝐸 (𝑋)
- 𝐸 (𝑎𝑋 + 𝑏) = 𝑎𝐸 (𝑋) + 𝑏
- 𝐸 (𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ) = 𝐸 (𝑋1 ) + 𝐸 (𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )
- Si 𝑋 𝑒𝑡 𝑌 sont indépendantes alors 𝐸 (𝑋𝑌) = 𝐸 (𝑋)𝐸(𝑌)

• La variance 𝑽(𝑿) :

𝑽(𝑿) = 𝑬(𝑿𝟐 ) − 𝑬(𝑿)²

Cas discret : Cas continu :

𝑛
+∞
= ∑ 𝑋² 𝑃(𝑋 = 𝑥𝑖 ) − 𝐸 (𝑋 )2 =∫ 𝑥 2 𝑓(𝑥)𝑑𝑥 − 𝐸(𝑋)²
𝑖=1 −∞

- Propriétées :
- 𝑉 (𝑎𝑋) = 𝑎²𝑉 (𝑋)
- 𝑉 (𝑎𝑋 + 𝑏) = 𝑎²𝑉 (𝑋)
- 𝑆𝑖 𝑋 𝑒𝑡 𝑌 𝑠𝑜𝑛𝑡 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠 𝑎𝑙𝑜𝑟𝑠 ∶ 𝑉 (𝑋 + 𝑌) = 𝑉 (𝑋) + 𝑉(𝑌)

• L’écart type 𝝈(𝑿) :

𝝈(𝑿) = √𝑽(𝑿)

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 1

 ➢ Loi Normale 𝑵( 𝝁 , 𝝈 )

1 𝑥−𝜇 2
1 − ( )
La densité de probabilité : 𝑓(𝑥 ) = 𝑒 2 𝜎
𝜎√2𝜋
• 𝑬(𝑿) = 𝝁
• 𝑽(𝑿) = 𝝈²

➢ Loi Normale centrée réduite 𝑁( 0 , 1 )

𝑋−𝜇
Si 𝑋~𝑁( 𝜇 , 𝜎 ) alors la variable 𝑇 = ~ 𝑁( 0 , 1 )
𝜎

𝑥²
1 −
Sa densité de probabilité : 𝑓(𝑥 ) = 𝑒 2
√2𝜋
• 𝑬(𝑿) = 𝟎
• 𝑽(𝑿) = 𝟏

- Propriétées :
• 𝑃(𝑇 > 𝑡) = 1 − 𝑃(𝑇 < 𝑡)
• 𝑃(𝑇 < −𝑡) = 1 − 𝑃(𝑇 < 𝑡)
• 𝑃(𝑎 < 𝑇 < 𝑏) = 𝑃(𝑇 < 𝑏) − 𝑃(𝑇 < 𝑎)
• 𝑃(−𝑡 < 𝑇 < 𝑡) = 2𝑃(𝑇 < 𝑡) − 1
• Si 𝑋~𝑁( 𝜇1 , 𝜎1 ) et 𝑌~𝑁( 𝜇2 , 𝜎2 ) avec 𝑋 𝑒𝑡 𝑌 sont indépendantes Alors :
𝑋 + 𝑌 ~ 𝑁 (𝜇1 + 𝜇2 ; √𝜎1 + 𝜎2 )
et 𝑋 − 𝑌 ~ 𝑁 (𝜇1 − 𝜇2 ; √𝜎1 + 𝜎2 )

- Exercice : Soit 𝑋~𝑁(12000 ; 1500 ) , Calculer les probabilités :

- 𝑃(𝑋 < 12000)
- 𝑃(𝑋 < 13000)
- 𝑃(𝑋 < 10000)
- 𝑃(10500 < 𝑋 < 13500)
- 𝑃(𝑋 > 10500)

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 2

 Chapitre I : L'échantillonnage

Définition :

• Échantillonnage : On connaît un paramètre de la population ( 𝜇 , 𝜎 2 , 𝑝 ) et on essaie

de chercher la valeur que peut prendre ce paramètre ( 𝑋̅, 𝑆̅ 2 , 𝐹 ) dans l’échantillon.

• Estimation : On connaît un paramètre de l’échantillon et on essaie d’estimer la valeur que

peut prendre ce paramètre dans population.

Population : P Echantillon : E

Taille : N Taille : n

Échantillonnage
𝑀𝑜𝑦𝑒𝑛𝑛𝑒: 𝝁 ̅
𝑿

𝑉𝑎𝑟𝑖𝑎𝑛𝑐𝑒: 𝝈𝟐 ̅
𝑺²

𝝈 ̅
𝑺
𝐸𝑐𝑎𝑟𝑡 𝑡𝑦𝑝𝑒:
Estimation
𝑷 𝑭
𝑃𝑟𝑜𝑝𝑜𝑟𝑡𝑖𝑜𝑛:

• Des paramètres inconnus • Des paramètres connus

• Paramètres à estimer • Estimateurs=Estimation

Avec :
∑ 𝑿𝒊
La moyenne de l’échantillon : ̅=
𝑿
𝒏
∑(𝑋𝑖 −𝑋̅)² ∑ 𝑋𝑖 ²−𝑛𝑋̅ ²
La variance de l’échantillon : 𝑆 ̅² = =
𝑛 𝑛

∑(𝑿 −𝑿)² ̅
∑ 𝑿 ²−𝒏𝑿² ̅
L’écart type de l’échantillon : ̅
𝑺=√ 𝒊 =√ 𝒊
𝒏 𝒏

𝑳𝒆𝒔 𝒄𝒂𝒔 𝒇𝒂𝒗𝒐𝒓𝒂𝒃𝒍𝒆𝒔

La fréquence : 𝑭=
𝑳𝒆𝒔 𝒄𝒂𝒔 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆𝒔

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 3

 Le Théorème central limite :
➢ Pour la Moyenne

• Version faible :
Si la loi de 𝑋 est connue (loi normale) c-à-d 𝑋~𝑁(𝜇, 𝜎) ,

𝜎
Alors : 𝑋̅ ~ 𝑁( 𝜇 , )
√𝑛
̅ −𝜇
𝑋
Donc : 𝑇= 𝜎
√𝑛
• Version forte :
Si la loi de 𝑋 une est inconnue avec 𝒏 ≥ 𝟑𝟎 , alors :

̅̅̅ 𝜎
Alors : 𝑋 ~ 𝑁( 𝜇 , ) √𝑛
̅ −𝜇
𝑋
Donc : 𝑇= 𝜎
√𝑛
➢ Pour F (la fréquence)

𝑃(1−𝑃)
On a 𝐹 ~ 𝑁 (𝑃 , √ )
𝑛

𝐹−𝑃
Alors 𝑇=
𝑃(1−𝑃)
√
𝑛

NB : on peut constater les formules suivantes :

• 𝑬( 𝑿
̅) = 𝝁 • 𝑬(𝑭) = 𝑷
𝝈² 𝑷(𝟏−𝑷)
• 𝑽( 𝑿
̅ )=
𝒏
• 𝑽(𝑭 ) = 𝒏
̅) = 𝝈
• 𝝈( 𝑿 𝑷(𝟏−𝑷)
√𝒏 • 𝝈(𝑭) = √
𝒏

𝒏−𝟏 𝟐
̅𝟐 ) =
𝑬(𝑺 𝝈
𝒏

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 4

 Chapitre II : L’estimation

Estimation

Ponctuelle Intervalle de confiance

➢ Estimation ponctuelle : On parle d’estimation ponctuelle lorsque le

paramètre 𝜃 inconnu est estimé par une quantité 𝑇 (une valeur numérique)

➢ Estimation par intervalle de confiance IC : lorsque 𝜃 est estimé par un

intervalle [𝑡1 ; 𝑡2 ] c-à-d il y a une probabilité de 𝑥 % pour que 𝜃 ∈ [𝑡1 ; 𝑡2 ]

1) Estimation Ponctuelle :
Les paramètres à estimer Les estimateurs

𝝁 ̅
𝑿

̅
𝑺𝟐
𝝈𝟐
𝑺𝟐
- la variance corrigée
- la quasi variance
̅
𝑺 - la variance non biaisée

𝝈
𝑺

𝑷 𝑭
avec :
𝒏 ̅ )²
∑(𝑿𝒊 −𝑿 ̅²
∑ 𝑿𝒊 ²−𝒏𝑿
𝑺² = ̅𝑺𝟐 𝑺² = 𝑺² =
𝒏−𝟏 𝒏−𝟏 𝒏−𝟏
𝟐)
et 𝑬(𝑺 = 𝝈²

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 5

 2) Estimation par intervalle de confiance :

➢ Pour la moyenne 𝝁 :

IC pour la moyenne

Si 𝝈 (écart type de la Si 𝝈 (écart type de la

population) est connu population) est inconnu

𝝈 𝝈 𝑺 𝑺
̅−𝒕
𝑰𝑪 = [𝑿 ̅ −𝒕
;𝑿 ] ̅−𝒕 ̅ −𝒕
√𝒏 √𝒏 𝑰𝑪 = [ 𝑿 ];𝑿
Ou √𝒏
√𝒏
Avec t sera lu dans la table de ̅
𝑺 ̅
𝑺
la loi normale centrée réduite ̅
𝑰𝑪 = [𝑿 − 𝒕 ̅
; 𝑿−𝒕 ]
√𝒏 − 𝟏 √𝒏 − 𝟏
𝜶
𝑷(𝑻 < 𝑡) = 𝟏 − ➢ Si 𝒏 < 30 t sera lu dans la table de la
𝟐
loi Student à 𝒏 − 𝟏 ddl
Avec 𝜶 ∶ 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒓𝒊𝒔𝒒𝒖𝒆 ➢ Si 𝒏 ≥ 𝟑𝟎 t sera lu dans la table de la
loi Normale
(Généralement 𝜶 ne doit pas dépasser 10%)

𝝈 ̅
𝑺 𝑺
➢ La marge d’erreur : 𝒕 La marge d’erreur : 𝒕 ou 𝒕
√𝒏 √𝒏−𝟏 √𝒏

𝝈 ̅
𝑺 𝑺
➢ L’amplitude : 𝟐𝒕 𝒏 L’amplitude : 𝟐𝒕 √ ou 𝟐𝒕
√ 𝒏−𝟏 √𝒏

Remarque : Selon la table de la loi normale :

𝜶 = 𝟏% 𝒕 = 𝟐. 𝟓𝟖

𝜶 = 𝟐% 𝒕 = 𝟐. 𝟑𝟑

𝜶 = 𝟓% 𝒕 = 𝟏. 𝟗𝟔

𝜶 = 𝟏𝟎% 𝒕 = 𝟏. 𝟔𝟓

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 6

 ➢ Pour la Proportion 𝑷 :

𝒇(𝟏−𝒇) 𝒇(𝟏−𝒇)
𝑰𝑪 = [ 𝒇 − 𝒕√ ; 𝒇 + 𝒕√ ]
𝒏 𝒏 La marge d’erreur :

Avec t sera lu dans la table de la loi normale centrée réduite : 𝒇(𝟏−𝒇)

𝒕√
𝒏
𝜶
𝑷(𝑻 < 𝑡) = 𝟏 −
𝟐

Avec 𝜶 ∶ 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒓𝒊𝒔𝒒𝒖𝒆 et selon la table de la loi normale :

𝜶 = 𝟏% 𝒕 = 𝟐. 𝟓𝟖

𝜶 = 𝟐% 𝒕 = 𝟐. 𝟑𝟑

𝜶 = 𝟓% 𝒕 = 𝟏. 𝟗𝟔

𝜶 = 𝟏𝟎% 𝒕 = 𝟏. 𝟔𝟓

➢ Pour la variance 𝝈² :
Si la moyenne est inconnue

𝒏̅
𝑺² 𝒏̅
𝑺² (𝒏−𝟏) 𝑺² (𝒏−𝟏)𝑺²
𝑰𝑪 = [ ; ] ou 𝑰𝑪 = [ ; ]
𝒃 𝒂 𝒃 𝒂

Remarque : a et b seront obtenus a partir de la table de khi deux ou normale centrée réduite

1) Si 𝒏 ≤ 𝟑𝟎 2) Si 𝒏 > 30

On utilise la table de Khi deux à 𝒏 − 𝟏 𝒅𝒅𝒍 On utilise la table de la loi normale centrée réduite

avec
𝛼 (𝑡 − √2𝑛 − 1)²
𝑃 (𝑋 < 𝑎 ) = 𝑎=
2 2
𝛼 (𝑡 + √2𝑛 − 1)²
𝑃 (𝑋 < 𝑏 ) = 1 − 𝑏=
2 2
Avec t sera lu dans la table de la loi normale centrée réduite

Remarque : IC pour la variance n’admet pas une 𝑎 = 1% 𝑡 = 2.58

marge d’erreur 𝑎 = 2% 𝑡 = 2.33

𝑎 = 5% 𝑡 = 1.96

𝑎 = 10% 𝑡 = 1.65

Elaboré par : Mohamed EL RHENDOR whatsApp : 06 77 45 04 84 Page 7