Chap 4

Échantillonnage aléatoires Distributions d’échantillonnage Estimateurs et Propriétés
Techniques quantitatives d’économie et de gestion
Chapitre IV
Estimateurs et distributions d’échantillonnage
1 / 37
Introduction
Les statistiques :
2 / 37
Introduction
Les statistiques :
L’art et la science de collecter, analyser, présenter et interpréter des
données.
2 / 37
Introduction
Les statistiques :
données.
3 / 37
Introduction
Les statistiques :
données.
Inférence statistique
⇒ Estimations et tests d’hypothèses sur les caractéristiques d’une
population à partir d’un échantillon.
4 / 37
I L’échantillonnage aléatoire et fluctuations

d’échantillonnage
5 / 37

Pour pouvoir utiliser un échantillon pour généraliser à l’ensemble de
la population, il faut un échantillon représentatif de cette dernière.
5 / 37

⇔ Reflétant fidèlement les caractéristiques de la population entière
Contre-exemple : les sondages effectués sur internet ou par les

chaînes de télévision
5 / 37


⇒ Biais de selection
5 / 37


⇒ On ne peut pas généraliser à la population à partir des
observations de l’échantillon
5 / 37


⇒ On ne peut pas généraliser à la population à partir des
observations de l’échantillon
Solution possible : L’échantillonnage aléatoire simple.

⇒ Sous-ensemble choisi au hasard dans la population
5 / 37
Retour exemple chapitre 2 : On s’intéresse à la taille d’une

population composée de 100 individus.
6 / 37

Taille Effectif P{X=x}
163 7 0.07
166 24 0.24
169 38 0.38
172 24 0.24
175 7 0.07
Total 100 1
6 / 37

163 7 0.07
166 24 0.24
169 38 0.38
172 24 0.24
175 7 0.07
Total 100 1
Rappels :
I Les fréquences relatives d’une population permettent de
retrouver les probabilités des résultats possibles d’un tirage
aléatoire
6 / 37

163 7 0.07
166 24 0.24
169 38 0.38
172 24 0.24
175 7 0.07
Total 100 1
Rappels :
aléatoire
I On avait calculé E(X)=169 et V(X)=9,36
6 / 37

163 7 0.07
166 24 0.24
169 38 0.38
172 24 0.24
175 7 0.07
Total 100 1
Rappels :
aléatoire
I On avait calculé E(X)=169 et V(X)=9,36
⇒ Paramètres fixes
6 / 37
Si on ne peut pas observer toute la population, comment avoir un

idée de la valeur de la taille moyenne dans la population (E(X)) ?
⇒ Constitution d’un échantillon aléatoire simple :
7 / 37

7 / 37

Avant le tirage au sort des individus de l’échantillon :

I Soit Xi le résultat du tirage au sort avec remise i
7 / 37


I (X1 , X2 ,..., Xn ) est le vecteur aléatoire représentant les
résultats des n tirages
7 / 37


I On estimera E(X) avec la moyenne d’échantillonnage
X = n1 i Xi .
P
7 / 37


X = n1 i Xi .
P
Une fois que le tirage au sort a eu lieu :

I On observera l’échantillon (x1 , x2 ,..., xn ),
7 / 37


X = n1 i Xi .
P

I On observera l’échantillon (x1 , x2 ,..., xn ), avec xi la i me
observation.
7 / 37


X = n1 i Xi .
P

I On observera l’échantillon (x1 , x2 ,..., xn ), avec xi la i me
observation.
I On calculera alors la moyenne d’échantillonnage de cet
échantillon particulier x = n1 i xi .
P
7 / 37
Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)
8 / 37

1. On associe chaque individu à un numéro
8 / 37


163 7 0.07
166 24 0.24
169 38 0.38
172 24 0.24
175 7 0.07
Total 100 1
8 / 37

Taille Effectif P{X=x} Classement

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
9 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
2. On tire au sort avec remise cinq numéros
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
⇒ Utilisation d’une table de 5 nombres de 1 à 100 tirés au
hasard (Table tirée de Wonnacott et al.(1991), p.867) :
Tirage 1 39 65 76 45 45
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 1 39 65 76 45 45
On a donc échantillon 1=
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 1 39 65 76 45 45
On a donc échantillon 1= (169, 169,172, 169, 169)
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 1 39 65 76 45 45
Estimation de E(X) : Calcul de x 1 =
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 1 39 65 76 45 45
Estimation de E(X) : Calcul de x 1 = 169+169+172+169+169
5 =
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 1 39 65 76 45 45
5 =169,6
10 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
11 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
On a donc échantillon 2 =
11 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
On a donc échantillon 2 = (172, 172, 166, 172, 172)
11 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
Estimation de E(X) : Calcul de x 2 =
11 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
5 =
11 / 37

163 7 0.07 1à7
166 24 0.24 8 à 31
169 38 0.38 32 à 69
172 24 0.24 70 à 93
175 7 0.07 94 à 100
Total 100 1
Tirage 2 73 71 23 70 90
5 =170,8
11 / 37
Comment expliquer que x 1 6= x 2 ?
12 / 37

⇒ Les fluctuations d’échantillonnage
12 / 37

Il faut bien distinguer :

I Un estimateur
12 / 37


I Un estimateur qui est une v.a., pouvant varier d’un échantillon
à l’autre
12 / 37


à l’autre
I Ici, X , estimateur de E(X)
12 / 37


à l’autre
I Une estimation
12 / 37


à l’autre
I Une estimation qui est une valeur particulière d’un estimateur,
obtenue à partir d’un échantillon particulier.
12 / 37


à l’autre
I Une estimation qui est une valeur particulière d’un estimateur,
obtenue à partir d’un échantillon particulier.
I Ici, x 1 et x 2 , estimations de E(X)
12 / 37
II. Distributions d’échantillonnage
13 / 37
On s’intéressera aux estimateurs suivants :
14 / 37
On s’intéressera aux estimateurs suivants :

I La moyenne d’échantillonnage, X
I La proportion d’échantillonnage, F
14 / 37
1. Distribution de la moyenne d’échantillonnage
15 / 37
1 P
La moyenne d’échantillonnage (ou empirique) : X = n i Xi
15 / 37
La moyenne d’échantillonnage (ou empirique) : X = n1

P
i Xi est un
estimateur de E (X ) = µ, la moyenne de la population.
15 / 37
La moyenne d’échantillonnage (ou empirique) : X = n1

P
i Xi est un
estimateur de E (X ) = µ, la moyenne de la population.
Quelle est la loi suivie par cet estimateur ?
15 / 37

Rappels sur la loi normale :
16 / 37

I Propriété 2 : Additivité :
16 / 37

I Propriété 2 : Additivité : Si X1 , ..., Xn , sont des v.a.
indépendantes de lois respectives N(µ1 , σ1 ), ..., N(µn , σn ),
16 / 37

Alors leur somme X1 + ... + Xn est normale, de loi :
16 / 37

Alors leur somme X1 + ... + Xn estqnormale, de loi :
X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
I Propriété 3 : Le TCL :
16 / 37

X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
I Propriété 3 : Le TCL : Considérons un grand nombre n de
v.a. indépendantes X1 , ..., Xn de même loi.
16 / 37

X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
v.a. indépendantes X1 , ..., Xn de même loi. Si n est grand, leur
somme X = X1 + ... + Xn , suit approximativement une loi
normale, même si ces variables ne sont pas normales.
I Propriété 1 : Transformation linéaire :
Soient X une v.a. suivant la loi normale N (µ, σ) et a et b deux
réels,
16 / 37

X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
réels, alors aX + b est une v.a. suivant
16 / 37

X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
réels, alors aX + b est une v.a. suivant la loi normale,
16 / 37

X1 + ... + Xn ∼ N(µ1 + ... + µn , σ12 + ... + σn2 ).
réels, alors aX + b est une v.a. suivant la loi normale, N
(aµ + b, |a|.σ).
16 / 37
Utilisation de ces propriétés pour déterminerP

la distribution suivie
par la moyenne d’échantillonnage ( : X = n1 i Xi ).
Si σ, l’écart-type de la population, est connu

Si la population est normale ou Si n est grand, dans les échantillons
aléatoires, la moyenne de l’échantillon X
17 / 37


aléatoires, la moyenne de l’échantillon X suit approximativement
une loi normale
17 / 37


une loi normale variant autour de l’espérance de la population µ
17 / 37


avec un écart-type égal à √σn .
17 / 37


avec un écart-type égal à √σn .
⇒ X ∼ N(µ, √σn )
17 / 37
Illustration graphique tirée de Alalouf et al.(2002), p.244
18 / 37

Soit X ∼ Exp(1) , on a donc :
−x
e si x ≥ 0
f (x) =
0 sinon
Et E(X)=µ=1.
18 / 37

−x
e si x ≥ 0
f (x) =
0 sinon
Et E(X)=µ=1.
Considérons X , l’estimateur de µ.
18 / 37

−x
e si x ≥ 0
f (x) =
0 sinon
Et E(X)=µ=1.
Distribution d’échantillonnage de X , si n=1 ?
18 / 37

−x
e si x ≥ 0
f (x) =
0 sinon
Et E(X)=µ=1.
Distribution d’échantillonnage de X , si n=1 ?
Pour la construire, on procède à des milliers échantillonnages et
l’on calcule à chaque fois x
⇒ Méthode de Monte Carlo
18 / 37
Fonction de densité de X si n=1
Graphique tiré de Alalouf S., Labelle D., Ménard J. (2002). Introduction à la

statistique appliquée. Loze-Dion. p.244.
19 / 37

20 / 37

21 / 37

22 / 37

23 / 37
Fonction de densité de X
Conclusion :
24 / 37
Conclusion :
Si n est suffisamment grand ou population normale, X suit
approximativement une loi normale, X ∼ N(µ, √σn )
24 / 37
Conclusion :
Conséquences :
I X a une distribution symétrique autour de µ
24 / 37
Conclusion :
Conséquences :
I Sa dispersion donc dépend de
24 / 37
Conclusion :
Conséquences :
I σ, est l’écart-type de la population et
24 / 37
Conclusion :
Conséquences :
I σ, est l’écart-type de la population et
I n, la taille de l’échantillon
24 / 37
Exemple
On suppose que l’âge en mois (X) d’un bébé lors de l’apparition de

sa première dent suit une loi N (µ , 2) où µ est inconnu.
25 / 37
Exemple

1. Un échantillon de 6 bébés est observé : (7 ; 6 ; 7 ; 8 ; 6 ; 8).
Calculez l’âge moyen de l’apparition de la première dent dans
l’échantillon.
25 / 37
Exemple

l’échantillon.
x = 7+6+7+8+6+8
6 = 7.
25 / 37
Exemple

l’échantillon.
2. Comment fluctue l’estimateur Moyenne d’échantillonnage (X )
2.1 Si l’échantillon contient 6 observations ?
26 / 37
Exemple

l’échantillon.
σ(X ) = √σn = √26 = 0, 82
26 / 37
Exemple

l’échantillon.
σ(X ) = √σn = √26 = 0, 82
26 / 37
Exemple

l’échantillon.
σ(X ) = √σn = √26 = 0, 82
2
σ(X ) = √1000 = 0, 063
26 / 37
Si σ, l’écart-type de la population, est inconnu
27 / 37
On estimera σ par l’écart-type corrigé d’échantillonnage (s).
27 / 37
Remarque : le calcul de l’écart-type corrigé sera vu en TD.
27 / 37
À admettre :
X −µ
On aura alors √s
n
27 / 37
À admettre :
X −µ
On aura alors √s
∼ St(n − 1).
n
27 / 37
À admettre :
X −µ
On aura alors √s
∼ St(n − 1).
n
X −µ
Remarque : Si n est grand (n > 30), on aura √s
∼
n
27 / 37
À admettre :
X −µ
On aura alors √s
∼ St(n − 1).
n
X −µ
Remarque : Si n est grand (n > 30), on aura √s
∼ N(0, 1).
n
27 / 37
2- Distribution de la proportion d’échantillonnage
28 / 37
1 P
Proportion d’échantillonnage : F = n i Xi , avec DXi = {0, 1}
28 / 37
Proportion d’échantillonnage : F = n1 i Xi , avec DXi = {0, 1}

P
⇒ Estimateur de π, la proportion de la population.
28 / 37

P
TCL appliqué à la proportion d’échantillonnage
28 / 37

P

Si n est grand (n > 30)
28 / 37

P

Si n est grand (n > 30) et que la proportion de la population π
n’est pas trop proche de 0 ou 1
28 / 37

P

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5),
28 / 37

P

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5), dans les
échantillons aléatoires, la proportion de l’échantillon F suit
approximativement une loi normale :
28 / 37

P

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5), dans les
échantillons aléatoires, la proportion de l’échantillon F suit
approximativement
q une
loi normale :
π(1−π)
F ∼ N π, n
28 / 37
III. Les estimateurs et leurs propriétés
29 / 37
1. Propriétés souhaitées pour un estimateur
1- Propriétés souhaitées pour un estimateur
30 / 37
Comment s’assurer que l’estimateur choisi est un bon estimateur ?
30 / 37
Un bon estimateur est :

1. Sans biais
30 / 37

1. Sans biais
2. Le plus efficace
30 / 37

1. Sans biais
2. Le plus efficace
3. Convergent
30 / 37
L’estimateur doit être sans biais
31 / 37

Soit θ un paramètre inconnu
31 / 37

Soit θ un paramètre inconnu et T son estimateur obtenu à partir
d’un échantillon de n observations tirées au hasard.
31 / 37

Un estimateur est sans biais si E(T)= θ.
31 / 37

31 / 37

Figure tirée de Hahn p 156
31 / 37

Figure tirée de Hahn p 156

⇒ Pas de surestimation (E(T)> θ) ni à sous-estimation (E(T)< θ)
systématique de la valeur du paramètre inconnu.
31 / 37
Remarques :
32 / 37
Remarques :
I On dit d’un estimateur sans biais qu’il est bien centré
32 / 37
Remarques :
I B(T) = E(T) - θ
32 / 37
Remarques :
I B(T) = E(T) - θ
I Si lim B(T)= 0, T est un estimateur asymptotiquement
n→+∞
sans biais de θ.
32 / 37
L’estimateur doit être le plus efficace
33 / 37

Il peut exister plusieurs estimateurs sans biais. Celui à privilégier est
le plus efficace.
33 / 37

le plus efficace.
L’estimateur le plus efficace est celui pour lequel la dispersion

autour de la vraie valeur du paramètre de la population
33 / 37

le plus efficace.

autour de la vraie valeur du paramètre de la population est la plus
faible, pour un nombre d’observations donné.
33 / 37

le plus efficace.

autour de la vraie valeur du paramètre de la population est la plus
faible, pour un nombre d’observations donné.
⇒ L’incertitude liée aux fluctuations d’échantillonnage est la moins
importante
Figure tirée de Hahn p 157 33 / 37

L’estimateur doit être convergent
34 / 37

Un estimateur est convergent s’il donne une valeur qui se rapproche
de la vraie valeur du paramètre de la population à mesure que la
taille de l’échantillon croît.
34 / 37

Un estimateur est convergent s’il donne une valeur qui se rapproche
de la vraie valeur du paramètre de la population à mesure que la
taille de l’échantillon croît.
⇒ lim V(T)= 0, pour un estimateur non biaisé
n→+∞
34 / 37
En résumé, T est un bon estimateur de θ, un paramètre inconnu de

la population, s’il est :
35 / 37

1. Sans biais
35 / 37

1. Sans biais (E(T)= θ)
35 / 37

2. Le plus efficace
35 / 37

2. Le plus efficace (variance minimale)
35 / 37

3. Convergent
35 / 37

3. Convergent ( lim V(T)= 0)
n→+∞
35 / 37
2- Propriétés des estimateurs usuels
2- Propriétés des estimateurs moyenne et proportion

36 / 37

La moyenne d’échantillonnage (X ) est
36 / 37

La moyenne d’échantillonnage (X ) est le meilleur estimateur de

l’espérance d’une population (µ).
36 / 37


⇒ Il est sans biais, le plus efficace et convergent.
36 / 37


La proportion d’échantillonnage (F) est
36 / 37


La proportion d’échantillonnage (F) est le meilleur estimateur de la

proportion dans une population (π)
36 / 37


La proportion d’échantillonnage (F) est le meilleur estimateur de la

proportion dans une population (π)
36 / 37
Conclusion
Maintenant que l’on connait les loi suivies par ces deux estimateurs,
⇒ Chap 5 : Estimations et des tests d’hypothèses sur les
caractéristiques d’une population à partir d’un échantillon.
37 / 37

Chap 4

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

Chap 4

Transféré par

Droits d'auteur :

Formats disponibles

Échantillonnage aléatoires Distributions d’échantillonnage Estimateurs et Propriétés

Techniques quantitatives d’économie et de gestion

I L’échantillonnage aléatoire et fluctuations

I L’échantillonnage aléatoire et fluctuations

I L’échantillonnage aléatoire et fluctuations

Contre-exemple : les sondages effectués sur internet ou par les

I L’échantillonnage aléatoire et fluctuations

Contre-exemple : les sondages effectués sur internet ou par les

I L’échantillonnage aléatoire et fluctuations

Contre-exemple : les sondages effectués sur internet ou par les

I L’échantillonnage aléatoire et fluctuations

Contre-exemple : les sondages effectués sur internet ou par les

Solution possible : L’échantillonnage aléatoire simple.

Retour exemple chapitre 2 : On s’intéresse à la taille d’une

Retour exemple chapitre 2 : On s’intéresse à la taille d’une

Retour exemple chapitre 2 : On s’intéresse à la taille d’une

Retour exemple chapitre 2 : On s’intéresse à la taille d’une

Retour exemple chapitre 2 : On s’intéresse à la taille d’une

Si on ne peut pas observer toute la population, comment avoir un

Si on ne peut pas observer toute la population, comment avoir un

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Une fois que le tirage au sort a eu lieu :

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Une fois que le tirage au sort a eu lieu :

Si on ne peut pas observer toute la population, comment avoir un

Avant le tirage au sort des individus de l’échantillon :

Une fois que le tirage au sort a eu lieu :

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Taille Effectif P{X=x}

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Taille Effectif P{X=x} Classement

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Mise en mise en oeuvre d’un tirage aléatoire simple (avec n=5)

Comment expliquer que x 1 6= x 2 ?

Comment expliquer que x 1 6= x 2 ?

Comment expliquer que x 1 6= x 2 ?

Il faut bien distinguer :

Comment expliquer que x 1 6= x 2 ?

Il faut bien distinguer :

Comment expliquer que x 1 6= x 2 ?

Il faut bien distinguer :

Comment expliquer que x 1 6= x 2 ?