Cours Echantillonnage Et Estimation

05/11/2022
Echantillonnage et Estimation
KOUACH Yassine
Licence fondamentale économie et gestion

Semestre 3
Faculté des Sciences Juridiques, Economiques et Sociales

Ain Sebâa – Casablanca
Université Hassan II
05/11/2022 65
CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Echantillonnage
III- Distribution d’échantillonnage de la moyenne :
x11 .
1 n
 xi1
.
x2 1
x1 
n i 1
Population
xN1 .
x22 .
1 n
X1 . x22 . x2   xi 2
n i 1
X2 .
xN2 .
XN .
x13 .
1 n
 xi3
.
x2 3
x3 
n i 1
xN3 .
Les moyennes sont généralement différentes
05/11/2022 66
1
05/11/2022

Echantillonnage
Etant donné une population à partir de laquelle on extrait tous les

échantillons possibles.
Si on calcule pour chacun d’eux sa moyenne X en calculant l’espérance
mathématique, la variance et la loi de probabilité . l’étude de distribution de
probabilité appelé distribution de l’échantillonnage des moyennes.
On dit aussi que X possède une distribution de probabilité appelé
distribution de l’échantillonnage de la moyenne
Donc on peut calculer l’espérance mathématique, la variance de cette
distribution.
05/11/2022
05/11/2022 Echantillonnage & Estimation 67
67

Echantillonnage
 Echantillon exhaustif
Dans ce cas la population est finie de taille N au sein de laquelle est
prélevé, sans remise, un échantillon aléatoire et simple de taille n, on a :
E  X   m et 𝑉 𝑋 =
𝑁−𝑛 𝜎
∗
𝑛−1 𝑛
Exemple
Soit une urne qui contient 3 morceaux de papier portant les nombres 10, 20 et
30. On prélève un échantillon de 2 morceaux de papier, ce tirage peut être
avec remise ou sans remise. Considérons une variable aléatoire X qui désigne
le nombre marqué sur le morceau de papier. Alors on a :
05/11/2022
68
2
05/11/2022

Echantillonnage
1 n 1
E X   m 
3
 x  10  20  30  20
i 1 i
3
V X   2 
1 n 1
  xi  m   3
3 i 1
 10  2
 0 2  10 2   200
3
Donc 20 et 200/3 sont respectivement la moyenne et la variance de la

population.
Dans ce cas le même nombre ne peut apparaitre qu’une seule fois dans le
même échantillon. Alors le nombre d’échantillons qu’on peut extraire est
C 32 = 3.
05/11/2022
69

Echantillonnage
e1= Echantillon 1
1 2 1
10
20
x  xi  2 10  20  10
2 i 1
e2= Echantillon 2
10
1 2 1
20 * 10
30
x'  x 'i  2 10  30  20
2 i1
30 *
e3= Echantillon 3
1 2 1
20
30
x ''   x ''i  2  20  30  25
2 i1
Les moyennes de ces échantillons sont respectivement 15, 20 et 25.

C'est-à-dire X est une variable aléatoire qu’on peut calculer son espérance
mathématique E  X  et sa variance V  X 
05/11/2022
70
3
05/11/2022

Echantillonnage
Or E  X   i1 X1.P  X  Xi   
2
V  X    i 1 X 12 .P  X  X i   X 1 .P  X  X i 
3
et 3 3
i 1
Alors pour calculer E X  et V  X  il faut calculer tout d’abord P  X  X i  , i  1,2,3
On a : P  X  15   P  X 1  10 et X 2  20   X 1  20 et X 2  10 
où X 1 et X2 désignent respectivement les résultats obtenus à la 1ère et 2ème tirage
P  X  15   P  X 1  10 et X 2  20   P  X 1  20 et X 2  10 
 P  X 1  10 / X 2  20   P  X 1  20   P  X 1  20 / X 2  10   P  X 1  10 
1 1 1 1 1
    
2 3 2 3 3
(car P A, B  P A B  P A et B  P A\ B .P B )
1 1
De la même façon on obtient P  X  20  et P  X  25 
3 3
05/11/2022
71

Echantillonnage
Le tableau suivant résume les résultats précèdent.
Echantillon possible { 10, 20 } { 10, 30 } { 20, 30 }
Moyenne estimée ( xi ) 15 20 25
Probabilité (X  xi ) 1/3 1/3 1/3
Donc:
1 1 1
E  X    i 1 X 1  P  X  X i   15   20   25   20
3
3 3 3
152 20 2 252
X    X 12  P  X  X i   E  X   50
3 2
V i 1
   
3 3 3 3
Comparons maintenant ces résultats avec ceux de la théorie d’échantillonnage,
2 N n
c'est-à-dire : E  X   m et V  X   
n N 1
05/11/2022
72
4
05/11/2022

Echantillonnage
On a:
E  X   m  20
 2 N  n 200/3 3 2 50
V X     
n N 1 2 3 1 3
Donc :
- La moyenne de X est la même que la moyenne de la population
- La variance de X est la même que celle donnée par la formule
2 N n
précédente, c'est-à-dire : 
n N 1
05/11/2022
73

Echantillonnage
 Echantillon non exhaustif

Dans ce cas le même nombre peut apparaitre plus qu’une fois dans le
même échantillon. Le nombre d’échantillons qu’on peut extraire est A3  6
2
05/11/2022
74
5
05/11/2022

Echantillonnage
05/11/2022
75

Echantillonnage
Les moyennes de ces échantillons sont respectivement10, 15, 20, 20, 25, et
30. C'est-à-dire : X 1  10, X 2  15, X 3  20, X 4  20, X 5  25 et X 6  30
Donc la moyenne X est une variable aléatoire qu’on peut calculer son
espérance mathématique E X et sa variance V  X  . comme le cas précédent, il
faut calculer E X et V  X
1 1 1
P  X  10   P  X 1  10 et X 2  10   * 
3 3 9
P  X  20  PX1 10 et X2  30 UX1  30 et X2  10 UX1  20 et X2  20 
P  X 1  10 et X 2  30   P  X 1  30 et X 2  10   P  X 1  20 et X 2  20 
1 1 1 1 1 1 3
     
3 3 3 3 3 3 9
P  X  15  P(X1  10 et X2  20}  P  X1  20 et X2  20
05/11/2022
76
6
05/11/2022

Echantillonnage
1 1 1 1 2
P (X1  10 et X 2  20}  P  X1  20 et X 2  20      
3 3 3 3 9
2 1
De la même façon on trouve P X  25  et P  X  30   9
9
Le tableau suivant résume les résultats précèdent
Echantillon possible {10, 10} {10, 10} {10, 10} {10, 10} {10, 10}
Moyenne estimée ( xi ) 10 15 20 25 30
Probabilité ( X xi ) 1/9 2/9 3/9 2/9 1/9
On a :
E  X   i1 X1.P X  Xi   20
5
V  X   i 1 X12 .P  X  X i   E  X     100
5 2
05/11/2022
77

Echantillonnage
Comparons maintenant ces résultats avec de la théorie de l’échantillonnage,

E X   m
2
c’est-à-dire : et V X  
n
On a : 2 200 / 3 100
E  X   m  20 VX   
n 2 3
Donc :
La moyenne de X est la même que la moyenne de la population
La variance de V  X  est la même que celle donnée par la formule
 2
précédente, c’est-à-dire n
.
05/11/2022
78
7
05/11/2022

Echantillonnage
 Cas des grands échantillons : n >= 30

• Population de moyenne et variance connue
Lorsque n devient très grand, la distribution 𝑋 , … , 𝑋 se rapproche de celle de la
loi normale d’espérance m et variance  2 qui sont connues, des échantillons sont
extraits de cette population avec une moyenne 𝑋 qui suit la loi normale de
𝜎
moyenne m et variance 𝑛
On écrit: 𝜎 Si 𝑛 ≥ 30
𝑋 ∼ 𝑁 𝑚,
𝑛
𝑋−𝑚
On peut considérer que 𝑌 = suit la loi 𝑁 0,1
𝜎
𝑛
• Population de variance inconnue
𝑛 1
𝜎 = 𝜎 = = (𝑥 − 𝑥̅ )
𝑛−1 𝑛−1
05/11/2022
79

Echantillonnage
 Cas des petits échantillons : n < 30

• Population normale de moyenne et variance connue
Soit une population normale, c’est-à-dire ; elle est distribuée selon une
loi normale de moyenne m et variance  qui sont connues, des
2
échantillons sont extraits de cette population avec une moyenne X

qui suit la loi normale de moyenne m et variance
On écrit: 𝑋 ∼ 𝑁 𝑚, 𝜎
𝑋−𝑚
𝑌= 𝜎 ∼ 𝑁 0,1
𝑛
05/11/2022
80
8
05/11/2022

Echantillonnage
Exemple
Le responsable d’une entreprise a accumulé depuis des années les résultats à un test
d’aptitude à effectuer un certain travail, il semble plausible de supposer que les
résultats au test d’aptitude sont distribués suivant une loi normale de moyenne m =
150 et de variance 𝜎 = 100.
On fait passer le test à 25 individus de l’entreprise.
Quelle est la probabilité que la moyenne de l’échantillon soit entre 146 et 154?
05/11/2022
81

Echantillonnage
Solution
On considère la variable aléatoire 𝑋 moyenne d’échantillon pour les échantillons
de taille 𝑛 = 25.
On cherche à déterminer 𝑃(146 < 𝑋 < 154).
Pour cela, il nous faut connaitre la loi suivie par 𝑋 .
Nous sommes en présence d’un petit échantillon 𝑛 < 30 et on a la variable X
suit une loi normale. En plus, σ est connu.
Donc 𝜎
𝑋 ∼ 𝑁 𝑚, = N(150, 10 5)
𝑛
On en déduit que
𝑋 − 150
𝑌= ∼ 𝑁 0,1
2
146 − 150 154 − 150
𝑃 146 < 𝑋 < 154 = 𝑃 <𝑌<
2 2
= 𝑃 −2 < 𝑌 < 2 = 2𝑃 0 < 𝑌 < 2 = 2 ∗ 0,4772 = 0,9544
05/11/2022
82
9
05/11/2022

Echantillonnage
• Population normale de moyenne et variance inconnues
Soit une population de moyenne m et de variance  2 qui est inconnue, de

laquelle on extrait des échantillons. La variable aléatoire définie par :
𝑋−𝑚 𝑋−𝑚
𝑌= = ∼𝑇
𝑆 𝑆
𝑛−1
Tn1 désigne la loi de Student à n – 1 degrés de liberté
05/11/2022
83

Echantillonnage
 Population de la loi inconnue

Soit une population de moyenne m et de variance  2 .
On suppose que la loi de cette population est inconnue. Si les tirages sont non
exhaustifs alors la variable aléatoire définie par :
X m
Y 

n
tend vers une loi normale N  0,1 lorsque n tend vers l’infini.
Ce résultat est une application directe du théorème central limite. Dans la pratique
ce résultat est valable lorsque n  30 .
05/11/2022
84
10
05/11/2022

Echantillonnage
Exemple
Les statistiques des notes obtenues en mathématiques au BAC STI en France pour
l'année 2006 sont :
Moyenne nationale :
Écart-type :
Une classe de BTS comporte 35 élèves en 2006/2007 issus d'un BAC STI en 2006.
Calculer la probabilité que la moyenne de cette classe soit supérieure à 10.
05/11/2022
85

Echantillonnage
Solution
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.
Notons X la variable aléatoire qui, à tout échantillon de taille n = 35, fait correspondre
sa moyenne.
Alors :
05/11/2022
86
11
05/11/2022

Echantillonnage
Solution
05/11/2022
87

Echantillonnage
IV- Distribution d’échantillonnage de la fréquence :
Distribution
Considérons une expérience aléatoire E et un évènement A, appelé évènement
succès lié à cette expérience E. Soit X une variable aléatoire définie par :
 1, s i A e s t ré a lis é
X  
 0 , s in o n
Supposons que cette expérience est répété n fois d’une manière indépendante et
dans les mêmes conditions. Soit Xn  i1 Xi le nombre de réalisations de
n
l’évènement succès.
X n est appelée aussi le nombre d’individus possédant un caractère donné
(réalisation de A) dans l’échantillon (valeurs de X) de taille n (nombre de
réplétion de E). La fréquence de l’évènement de succès est donnés par: fn  X n ,
n
On désigne par p la proportion des individus possédant  ce caractérise dans la
population.
05/11/2022 88
12
05/11/2022

Echantillonnage
On remarque que la fréquence varie d’un échantillon à un autre
05/11/2022
89

Echantillonnage
L’étude de cette variable est appelée l’étude de distribution d’échantillonnage des

fréquences
On dit aussi que f n ou f possède une distribution de probabilité appelée

distribution de l’échantillonnage de la fréquence. Donc on peut calculer
l’espérance mathématique et la variance de cette distribution
05/11/2022
90
13
05/11/2022

Echantillonnage
Echantillon exhaustif
Étant donné une population finie de taille N au sein de laquelle on a prélevé un
échantillon aléatoire et simple de taille n sans remise. Alors on a :
E  fn   p
p 1 p N  n
V  fn   
n N 1
05/11/2022
91

Echantillonnage
Echantillon non exhaustif
Dans le cas d’une population infinie au sein de laquelle on extrait un
échantillon aléatoire et simple de taille n avec remise, on a : E  fn   p
p 1  p 
V  fn  
n
Remarque :
 f  V  fn 
n
est appelée l’erreur standard de la fréquence d’un échantillon.
Exemple
Soit une urne qui contient 3 jetons numérotés de 1 à 3, on tire successivement
2 jetons. L’obtention d’un numéro impair représente le succès.
05/11/2022
92
14
05/11/2022

Echantillonnage
 Cas 1 : Tirage exhaustif (sans remise)

Désignant par S le succès et E l’échec. Les résultats possibles sont :  S, E ,  E, S  ,  S, S 
05/11/2022
93

Echantillonnage
avec X  i1 xi  i1 xi

X X n 2 X
On sait que f   alors f 
n 2 2
où:
1, si S figure dans l'échantillon

Xi  
 0, sinon

Alors la loi de probabilité de f est donnée par le tableau suivant :
05/11/2022
94
15
05/11/2022

Echantillonnage
 Cas 2 : Tirage non exhaustif (avec remise)
Les résultats possibles sont comme suit  E , E  ,  E , S  ,  S , E  ,  S , S 
05/11/2022
95

Echantillonnage
avec X  i1 xi  i1 xi

X X n 2 X
On sait que f   alors f 
n 2 2
où:
1, si S figure dans l'échantillon

Xi  
 0, sinon

Alors la loi de probabilité de f est donnée par le tableau suivant :
05/11/2022
96
16
05/11/2022

Echantillonnage
Soit une population au sein de laquelle un échantillon aléatoire et simple de taille n

est prélevé.
Lorsque n  30 et np  5 , la distribution de la fréquence suit la loi normale de
moyenne p et d’écart-type  f  V f
et la variable . suit alors approximativement la loi N (0, 1).
05/11/2022
97

Echantillonnage
Exemple
05/11/2022
98
17
05/11/2022

Echantillonnage
Solution
05/11/2022
99

Echantillonnage
V- Distribution d’échantillonnage de la variance :
Soit une population au sein de laquelle on prélève tous les échantillons possibles
d’une manière aléatoire et simple.
05/11/2022 100
18
05/11/2022

Echantillonnage
On remarque que S X varie d’un échantillon à un autre. Alors est une variable
aléatoire qui possède une distribution de probabilité, appelée distribution
d’échantillonnage de la variance.
Supposons que les variables aléatoires de ces échantillons suivant la loi normale de
paramètres m et .
L’espérance et la variance empirique sont données par :
n 1 2
E S 2  x  
n
2 n 1 4
V S 2  x   
n2
05/11/2022
101

Echantillonnage
On remarque que l’espérance de S2  x n’est pas égale à  2 pour remédier à ce

problème, on propose la formule suivante :
 1 1
S 2 x   X 
n
i  X S 2
n 1 i 1
n 1
Alors on a:
 n n n 1 2

E S 2  x  
n 1
E  S 2  x  
n 1 n
   2

Donc 
E S 2 x   2 
∑ 𝑋 −𝑋 𝑛𝑆 𝑛−1
Soit une variable aléatoire définie par: 𝑌=
𝜎
=
𝜎
=
𝜎
𝑆̑
Cette variable suit la loi de Khi-deux à n-1 degrés de liberté. On écrit
𝑌∼𝜒
05/11/2022
102
19
05/11/2022

Echantillonnage
Exemple
05/11/2022
103
20

Cours Echantillonnage Et Estimation

Transféré par

Informations du document

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

Cours Echantillonnage Et Estimation

Transféré par

Droits d'auteur :

Formats disponibles

05/11/2022

Licence fondamentale économie et gestion

Faculté des Sciences Juridiques, Economiques et Sociales

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

III- Distribution d’échantillonnage de la moyenne :

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Etant donné une population à partir de laquelle on extrait tous les

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Donc 20 et 200/3 sont respectivement la moyenne et la variance de la

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Les moyennes de ces échantillons sont respectivement 15, 20 et 25.

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Alors pour calculer E X  et V  X  il faut calculer tout d’abord P  X  X i  , i  1,2,3

où X 1 et X2 désignent respectivement les résultats obtenus à la 1ère et 2ème tirage

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Le tableau suivant résume les résultats précèdent.

Echantillon possible { 10, 20 } { 10, 30 } { 20, 30 }

Probabilité (X  xi ) 1/3 1/3 1/3

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

 Echantillon non exhaustif

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

P  X  20  PX1 10 et X2  30 UX1  30 et X2  10 UX1  20 et X2  20 

P  X  15  P(X1  10 et X2  20}  P  X1  20 et X2  20

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Probabilité ( X xi ) 1/9 2/9 3/9 2/9 1/9

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Comparons maintenant ces résultats avec de la théorie de l’échantillonnage,

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

 Cas des grands échantillons : n >= 30

• Population de variance inconnue

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

 Cas des petits échantillons : n < 30

échantillons sont extraits de cette population avec une moyenne X

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

• Population normale de moyenne et variance inconnues

Soit une population de moyenne m et de variance  2 qui est inconnue, de

Tn1 désigne la loi de Student à n – 1 degrés de liberté

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

 Population de la loi inconnue

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

Calculer la probabilité que la moyenne de cette classe soit supérieure à 10.

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

IV- Distribution d’échantillonnage de la fréquence :

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

On remarque que la fréquence varie d’un échantillon à un autre

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

L’étude de cette variable est appelée l’étude de distribution d’échantillonnage des

On dit aussi que f n ou f possède une distribution de probabilité appelée

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

est appelée l’erreur standard de la fréquence d’un échantillon.

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

 Cas 1 : Tirage exhaustif (sans remise)

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5

avec X  i1 xi  i1 xi

Alors la loi de probabilité de f est donnée par le tableau suivant :

CHAPITRE 1 CHAPITRE 2 CHAPITRE 3 CHAPITRE 4 CHAPITRE 5