Polycope Echantillonnage

Echantillonnage
et estimation
Sommaire
AVANT-‐PROPOS ............................................................................................................................................... 2
I-‐ Notion de variables aléatoires .................................................................................................................. 4
1. Les caractéristiques d’une variable aléatoire discrète: ........................................................................ 4
2-‐Les caractéristiques d’une variable aléatoire continue: ............................................................................ 5
II-‐ Lois théoriques discrètes : ....................................................................................................................... 6
1. Loi de BERNOULLI ................................................................................................................................. 6
2. Loi BINOMIALE ...................................................................................................................................... 7
3. Loi de POISSON .................................................................................................................................... 8
4. Loi géométrique ................................................................................................................................... 9
5. Loi hypergéométrique ....................................................................................................................... 10
III-‐ Lois théoriques continues : ................................................................................................................ 12
1. Loi normale ......................................................................................................................................... 13
2. Loi de KHI-‐DEUX .................................................................................................................................. 18
2 Loi de STUDENT .................................................................................................................................. 20
3 Loi de FISCHER SNEDECOR .................................................................................................................. 21
4 Théorème centrale limite ................................................................................................................... 23
II. Echantillonnage .......................................................................................................................................... 24
1. Comment dénombrer ? ...................................................................................................................... 24
2. Terminologie ....................................................................................................................................... 24
3. Méthodes d’échantillonnage .............................................................................................................. 25
3.1 Echantillonnage probabiliste ........................................................................................................... 25
3.2 Echantillonnage empiriques ....................................................................................................... 28
4. Détermination de la taille de l’échantillon ......................................................................................... 28
4.1 Utilisation de l’inégalité de Bienaymé Tchebychef ......................................................................... 28
4.2 Utilisation de la loi normale ........................................................................................................ 30
5. Distribution d’échantillonnage ........................................................................................................... 34
III Estimation ................................................................................................................................................. 37
1. Estimation ponctuel ............................................................................................................................ 37
2. Estimation par intervalle de confiance ............................................................................................... 42
IV Exercices ................................................................................................................................................... 45

1

Echantillonnage et estimation
AVANT-‐PROPOS
Dans ce travail, nous voulons présenter les principaux concepts de l’introduction à la statistique
mathématique (inférentielle) de manière intégrée et systématique en adoptant une démarche
pédagogique qui se veut centrée sur l’étudiant(e). Cette démarche devrait assurer une plus grande
autonomie d’apprentissage et développer de façon concrète des aptitudes à l’analyse statistique.
Le calcul des probabilités apporte les outils nécessaires aux techniques de la statistique mathématique,
c’est-‐à-‐dire les modèles qui vont être utilisés pour décrire des phénomènes réels où le hasard intervient. La
statistique est un ensemble de méthodes permettant de prendre de bonnes décisions en présence de
l’incertain.
En résumé :
-‐ La mise en ordre des données relève des techniques de la statistique descriptive (caractéristiques
numériques ou graphiques),
-‐ La prévision de l’évolution d’un phénomène réel’ à partir des données numériques et des lois de
probabilité théoriques, relève de la statistique mathématique.
Une étude statistique pourtant sur tous les éléments d’une population étant, soit impossible à réaliser (trop
grand nombre d’individus à étudier), soit trop onéreuse, il faut obtenir des résultats fiables sur les
caractéristiques d’une population en se limitant à l’étude des éléments ou unités d’u échantillon. Cet
échantillon doit non seulement donner des estimations non biaisées des paramètres mais permettre, de
plus, d’évaluer la marge d’erreurs dues aux fluctuations d’échantillonnage.
L’objectif de l’échantillonnage est de présenter le concept d’échantillon aléatoire ce concept est
particulièrement important car il fonde la théorie de l’estimation.
Le problème général est le suivant : on souhaite étudier une caractéristique (appelée aussi caractère ou
variable statistique) associée à des individus appartenant à une population. Pour mener à bien cette étude,
on a deux solutions : le recensement ou l’échantillonnage. La solution du recensement n’est bien
évidement applicable que lorsque la taille de la population est étudiée est relativement faible. Par exemple
à l’époque d’Adam et Eve, un recensement reviendrait à peser et à mesurer ces deux individus. Avec deux
couples de mesures (80kg/1,80m et 55kg/1,60), on obtiendrait une information complète sur le poids et la
taille de la population. Toute méthode d’estimation et de test statistique (inférence) serait alors inutile.
Mais aujourd’hui, si l’on admet qu’il y a près de quarante millions de français ou de françaises de plus de
18 ans, on imagine facilement que le recensement est de fait impossible car le coût est trop élevé. Il est
nécessaire de recourir à la seconde solution : l’échantillonnage.
L’intérêt de constituer un échantillon est d’étudier les caractéristiques pour les individus sélectionnés dans
l’échantillon afin d’en tirer de l’information sur ces mêmes caractéristiques pour l’ensemble de la
population. Par conséquent, d’un coté la dimension de l’échantillon doit être suffisamment importante
pour que l’on puisse obtenir une information fiable sur la population, mais d’un autre coté elle doit être la
plus petite possible afin de limiter le coût de l’enquête.
L’objectif d’une estimation est de révéler de l’information sur une caractéristique de la population à partir
d’un échantillon. On construit pour cela un estimateur. Un estimateur est une variable aléatoire, définie
comme une fonction des variables de l’échantillon.
La démarche du statisticien est alors la suivante : on commence par étudier les propriétés de l’estimateur.
Cela revient à analyser certaines caractéristiques de sa distribution : son espérance, sa variance etc. l’idée
générale est de vérifier théoriquement si la réalisation de cette variable aléatoire a une grande chance
2

d’être « proche » de la vraie valeur du paramètre que l’on souhaite l’estimer. On peut aussi comparer
différents estimateurs afin de choisir le plus performant : on introduit pour cela les notions d’estimateur
optimal et d’estimateur efficace. Une fois que l’on dispose d’un « bon » estimateur, on l’utilise pour
obtenir une estimation. Une estimation ponctuelle n’est rien d’autre que la réalisation de l’estimateur
obtenue à partir de la réalisation de l’échantillon, c’est-‐à-‐dire à partir des données statistiques ou des
observations. Il est aussi possible de fournir un intervalle de confiance, c’est-‐à-‐dire un encadrement sur la
valeur du paramètre que l’on souhaite estimer. Cet encadrement permet de rendre compte de l’incertitude
autour de la prévision ponctuelle.
Cette concept de l’estimation se situe au cœur de très nombreux domaines d’application dans la vie
courante et la vie des entreprises : sondages politiques, enquêtes d’opinion, enquêtes économiques,
méthode de scoring, analyses marketing quantitatives, modèles de prévision, etc.
3

I-‐ Notion de variables aléatoires

Une variable aléatoire est une grandeur numérique attaché au résultat d’une expérience aléatoire.
Chacune de ses valeurs est associée à une probabilité d’apparition.
Exemple
On jette une pièce de monnaie deux fois et on s’intéresse au nombre de fois que pile apparaît au cours des
deux jets. On à quatre résultats possibles : PP, PF, FP, FF
Le nombre de fois que Pile peut apparaître est 0, 1 ou 2.

La variable aléatoire retenue peut donc prendre ces trois valeurs, son ensemble de définition est donc : {0,
1, 2}
Exemple
Soit une agence immobilière qui désire se lancer dans la location à la journée de studios meublés. Elle
étudie la demande journalière possible X de location durant les mois de juillet et août. Elle obtient les
résultats suivants :

xi
0 1 2 3 4 5
p( X = xi )
0.05 0.1 0.2 0.3 0.25 0.1

Une variable aléatoire peut être discrète ou continue :
q Une VA est dite discrète si l'ensemble des valeurs qu'elle est susceptible de prendre est fini ou infini
dénombrable.
q Une VA est dite continue si elle peut prendre toute valeur à l'intérieur d'un intervalle donné. En
règle générale, toutes les variables qui résultent d’une mesure sont de type continu.
1. Les caractéristiques d’une variable aléatoire discrète:

1.1 Loi de probabilité

On appelle loi de probabilité d’une variable aléatoire X l’ensemble des couples ( xi , pi ) / pi = p( X = xi )
1.2 Fonction de répartition

On appelle fonction de répartition, la fonction F définie par:
F : ° → [0,1]

x a F ( x) = p ( X ≤ x)
4

1.3 Espérance mathématique

On appelle espérance mathématique de la variable X et on note E(X) la moyenne des valeurs possibles
pondérées par leurs probabilités.

E ( X ) = ∑ xi pi
1.4 Variance

On appelle variance de la variable aléatoire X le nombre réel définie par:

V ( X ) = E ( X 2 ) − E ( X )2
1.5 Ecart-‐type

On appelle écart-‐type de la variable aléatoire X, la racine carrée de sa variance.

∂ X = V ( X )
Exemple
Soit une agence immobilière qui désire se lancer dans la location à la journée de studios meublés. Elle
étudie la demande journalière possible X de location durant les mois de juillet et août. Elle obtient les
résultats suivants :

xi
0 1 2 3 4 5
p( X = xi )
0.05 0.1 0.2 0.3 0.25 0.1
E ( X ) = 0.1 + 0.4 + 0.9 + 1 + 0.5 = 2.9

V ( X ) = (0.1 + 0.8 + 2.7 + 4 + 2.5) − (2.9) 2 = 1.69
∂ X = 1.3
2-‐Les caractéristiques d’une variable aléatoire continue:

2.1 Fonction de densité de probabilité
On appelle fonction de densité de probabilité toute fonction satisfaisant aux 2 conditions suivantes :
5


1) ∀x ∈ ° f ( x) ≥ 0
+∞
2) ∫−∞
f ( x)dx = 1
2.2 Fonction de répartition
Soit X une VA continue et f sa densité de probabilité. La fonction de répartition de X est la fonction F
telle que:

FX : ° → [0,1]
t
t a FX (t ) = ∫ f ( x)dx
−∞
2.3 Espérance mathématique

+∞
E( X ) = ∫ xf ( x)dx
−∞

2.4 Variance

+∞ +∞
V ( X ) = ∫ x 2 f ( x)dx − ( ∫ xf ( x)dx) 2
−∞ −∞
On appelle écart type, la racine carrée de la variance.
II-‐ Lois théoriques discrètes :

Il existe de nombreuses lois de probabilités, chacune s'appliquant dans des conditions bien particulières.
1. Loi de BERNOULLI

La variable de BERNOULLI est une variable qui prend les valeurs 0 et 1 avec les probabilités respectives q et
p avec p + q =1. La valeur 1 est associé à la réalisation de l’événement considéré ‘succès’ et la valeur 0 à sa
non réalisation ‘échec’. Elle a pour caractéristiques :
6

E ( X ) = ∑ xi pi = p ⇒ E ( X ) = p
2
( )
V ( X ) = ∑ xi2 pi − ∑ xi pi = p − p 2 = p (1 − p ) = p.q ⇒ V ( X ) = p.q
2. Loi BINOMIALE

Une variable aléatoire est dite binomiale si elle représente le nombre de succès obtenus dans une
expérience de n épreuves où la probabilité de succès reste constante. La fonction de probabilité d’une telle
fonction est donnée par :
P ( X = k ) = Cnk pk qn−k
La variable binomiale est entièrement spécifiée par la connaissance de n et p.
La variable de BERNOULLI est un cas particulier de la variable binomiale : n=1.

Pour appliquer la loi binomiale il faut que les conditions suivantes soient satisfaites :
1ère condition : L’expérience consiste en une suite d’épreuves se soldant à chaque fois soit par un succès soit
par un échec.
2ème condition : Les épreuves se répètent de manière identique et dans les mêmes conditions.
3ème condition : La probabilité de succès reste constante tout au long des n épreuves.
Toute variable aléatoire qui sui la loi binomiale X peut-‐être décrite comme une somme de n variables de
BERNOULLI indépendantes. On écrit X = X1 + X 2 + .... + X n . Alors elle a les caractéristiques
suivantes :
1 2 (
E ( X ) = E X + X , +.... + X n = E X + E X + ....... + E ( X n )
1 2 ) ( ) ( )
= p + p + .... + p
= n. p
1 2 (
V ( X ) = V X + X , +.... + X n = V X + V X + ....... + V ( X n )
1 2 ) ( ) ( )
= p.q + p.q + ........ + p.q
= n. p.q
La loi binomiale peut être approchée par d’autres lois.
1er cas : lorsque n est élevé et p n’est ni proche de 1 ni de 0, la loi binomiale est approchée par la loi
normale.
2ème cas : Lorsque n est élevé et p est faible (p<0.1), la loi binomiale est approchée par la loi de poisson.

Exemple:
L’agence immobilière dispose d’un parc de 5 studios. La probabilité de louer chacun d’eux au mois de juin
est de 0.6. L’agence désire étudier la probabilité de location de ce parc.
7

1-‐ Quelle est la loi de probabilité suivie par cette variable aléatoire ? Quels en sont les paramètres ?
2-‐ Calculer la probabilité de louer 0, 1, 2 studios.

Réponse :
1. Il s’agit d’une loi binomiale de paramètres n = 5 et p = 0, 6.

2. La probabilité de louer 0, 1, 2 studios est :
p( X = 0) = C50 (0, 6)0 (0, 4)5 = 0, 0102.
p( X = 1) = C51 (0, 6)1 (0, 4) 4 = 0, 0614.
p( X = 2) = C52 (0, 6) 2 (0, 4)3 = 0, 2304.
3. Loi de POISSON

La distribution de probabilité d’une V.A X est dite distribution de POISSON si elle est définie par les couples
( xi , pi ) où X prend les valeurs 0, 1, 2, ……avec les probabilités respectives données par :
λ x
P( X = x) = e−λ
x!
Où λ est un paramètre réel positif.
Si X est une variable aléatoire qui suit une loi de poisson de paramètre λ , alors :
E( X ) = λ

V (X ) = λ
Pour appliquer la loi de poisson il faut que les conditions suivantes soient satisfaites :
1ère condition : Soit une approximation de la loi binomiale est ceci lorsque n est élevé et p très faible
(proche de 0). Généralement l'approximation est valable dés que n > 50 et p < 0.1.

ème
2 condition : Soit une résultante d’un processus aléatoire particulier qui s’appelle le processus de
Poisson.
La loi de POISSON s'applique en particulier dans le cas d'événements se réalisant de façon aléatoire dans le
temps ou l'espace (pannes de machines, arrivées de clients à un comptoir, appels téléphoniques sur une
ligne ……). Si la réalisation d'un événement donné vérifie les conditions suivantes :
Le nombre moyen de fois qu'un événement se réalise dans un intervalle de temps ou dans un espace est
connu λ, la probabilité que cet événement se produise dans un intervalle de temps est proportionnelle à la
longueur de cet intervalle et ne dépend en aucun cas du nombre d'événements qui se sont produits
antérieurement.
8

La probabilité que l'événement se produise plus d'une fois dans un intervalle de temps très court est
négligeable, alors le nombre X d'événements réalisés au cours d'une période de temps t est une variable de
POISSON ayant pour paramètre λ = p.t.

Exemple:
L’arrivé des clients à un supermarché est considérée comme un processus de POISSON. On sait que le
nombre moyen de clients arrivant par minute au supermarché est égale à 2.
Calculer la probabilité pour que pendant une période particulière de 5 minutes il arrive 12 clients.
Réponse :
Il s’agit d’une loi de poisson de paramètre λ = 10 . Alors la probabilité pour que pendant une période
particulière de 5 minutes il arrive 12 clients est :
1012
p( X = 12) = e−10 × = 0, 0947.
12!
Exemple:
Une entreprise utilise des pots de peinture dont 0.2 % sont défectueux.
Quelle est la probabilité que sur les 1000 pots qu’utilise, il en trouve un défectueux?
Réponse :
0, 2 ×1000
Il s’agit d’une loi de poisson de paramètre λ = = 2 .
100

21
p( X = 1) = e−2 × = 0, 2706
1!

4. Loi géométrique

On considère une épreuve aléatoire et un événement A lié à cette épreuve de probabilité p ( A) = p . On
répète cette épreuve dans des conditions identiques ( p est constante et les épreuves sont
indépendantes).
Soit X le nombre d’épreuves effectuées jusqu’à ce que A soit réalisé pour la première fois. On dit que X
est le temps d’attente du premier événement A .
Soit X une variable aléatoire qui suit la loi géométrique. On peut considérer que X prend les valeurs 1,..,
n , … Nous avons pour tout n ≥ 2 , p ( X = n ) = (1 − p)n−1 p et p ( X = 1) = p ( A1 ) = p . On a donc pour
tout n ∈ • * , p ( X = n ) = (1 − p)n−1 p .
9

4.1 Définition

Soit p ∈ ]0;1[ . On dit qu’une variable aléatoire X suit la loi géométrique de paramètre, (notée G ( p) )
lorsque X prend les valeurs n ∈ • * avec les probabilités p ( X = n ) = (1 − p)n−1 p .
4.2 Caractéristiques

Si X suit la loi géométrique de paramètre p . Alors :
1
E( X ) =
p

1− p
V (X ) = 2
p

Exemple :
Un certain matériel a une probabilité p = 0, 02 constante de défaillance à chaque mise en service. On

procède à l’expérience suivante, l’appareil est mis en marche, arrêté, remis en marche, arrêté, jusqu’à ce
qu’il tombe en panne.
Calculer la probabilité que cet appareil tombe en panne au dixième essai.
Réponse :
Le nombre d’essais nécessaires pour obtenir la panne est une variable aléatoire suivant la loi géométrique
de paramètre p = 0, 02 .
La probabilité que ce matériel tombe en panne ( pour la première fois) au dixième essai est :
p ( X = 10) = p(1 − p9 = (0,02)(0,98)9 = 0,0167.

5. Loi hypergéométrique

La loi hypergéométrique intervient dans le cas de plusieurs expériences aléatoires dépendantes auxquelles
on associe un caractère étudié quelconque.
La probabilité de succès varie d’une expérience aléatoire à l’autre. C’est le cas des prélèvements
d’individus au hasard dans une population finie, lorsque les individus ne sont pas remis en place au fur et à
mesure des prélèvements.
10

Désignons par N l’effectif total de la population dans laquelle on prélève au hasard et sans remise n
individus. La population est composée d’individus qui possèdent le caractère étudié, le nombre de ces
individus se désigné par n1 on note par n2 le nombre d’individus de la population qui ne possèdent pas le
caractère étudié.
N = n1 + n2
Cnk1 Cnn2−k
p( X = k ) =
CNn
n1
Si X suit une loi hypergéométrique de paramètres N , n et p = , nous avons :
N
E ( X ) = np
N −n
V (X ) = npq
N −1

Exemple :
Dans une population de 40 personnes, dont 6 personnes sont originaires du Sud, 14 du Nord, 12 de l'Est et
8 de l'Ouest, on choisit au hasard un échantillon de 4 personnes.
La variable aléatoire X désigne le nombre d'individus de l'échantillon qui sont originaire du Nord.
La population étant finie et les prélèvements s'effectuent sans remise, la variable X suit donc une loi
hypergéométrique de paramètres :
N = effectif total de la population = 40
n1 = nombre d'individus de la population qui sont originaires du Nord = 14
n = nombre d'individus prélevés sans remise = 4
X = H(40, 14, 4)
Calculer la probabilité pour que trois personnes parmi les personnes choisis soient originaires du Nord?
Réponse :
Il s’agit d’une loi hypergéométrique de paramètres N = 40 , n1 = 14 , n2 = 26 et n = 4 .
C143 × C26
1
p( X = 3) = = 0,1035.
C404
11

Remarque :
Cnk1 Cnn2−k
Dés que l’effectif N de la population devient grand le calcul des probabilités p( X = k ) =
CNn
Devient fastidieux. On peut démontrer dans ce cas la loi hypergéométrique tend vers la loi binomiale de
paramètres n et p . On peut aussi effectuer les calculs de probabilités de façon approximative à l’aide de la
formule de la loi binomiale. En pratique, l’approximation est satisfaisante dés que la proportion des
individus prélevés inférieure à 5 %.
n
< 0, 05 ou N > 20n
N
Exemple :
Soit X la variable hypergéométrique H(100,30,4).
La distribution de cette variable est telle que :
C30k C704− k
p( X = k ) = 4
.
C100
Nous obtenons la distribution suivante :
X 0 1 2 3 4 Total
p( X = k ) 0,2338 0,4188 0,2679 0,0725 0,0070 1

La distribution de cette variable peut être calculée à l’aide de l’approximation par la loi binomiale de
paramètres 4 et 0,3 ( car N > 2n ). Les probabilités approximatives sont telle que :
p( X = k ) = C4k (0,3) k (0, 7) 4−k
La distribution de probabilité sera :
X 0 1 2 3 4 Total
p( X = k ) 0,2401 0,4116 0,2646 0,056 0,0081 1

On constate que la l’approximation est satisfaisante.
III-‐ Lois théoriques continues :

Le but des lois théoriques est la description des phénomènes statistiques. Parmi les lois de probabilités les
plus courantes et qui ont un rôle très important dans les problèmes d’estimation et les tests d’hypothèses,
il y a la loi normale, la loi de khi deux, la loi de Student et la loi de Fisher.
12

1. Loi normale

La loi normale est la loi continue la plus importante et la plus utilisée dans le calcul de probabilité. Elle est
aussi appelée la loi de LAPLACE GAUSS.
On parle de loi normale ou de loi de LAPLACE – GAUSS, lorsque l’on a affaire à une variable aléatoire
continue dépendant d’un grand nombre de causes indépendantes, dont les effets s’additionnent et dont
aucune n’est prépondérante, par exemple : une caractéristique de qualité, La durée d’un trajet, les
fluctuations accidentelles d’une grandeur…
1.1 Définition

Une V.A continue X est dite distribuée selon une loi normale si sa densité de probabilité est :

f(x) = 1 exp[− 1 ( x − m)²]
σ 2π 2 σ

La loi normale dépend de deux paramètres m et σ . On note : X N(m;σ).
1.2 Fonction de répartition de la loi normale

La fonction de répartition d'une variable normale est donnée par l'expression :
x 1 x 1 x−m 2
F ( x) = p( X ≤ x) = ∫ f ( x ) dx = ∫ exp[ − ( ) ]dx
−∞ σ 2π −∞ 2 σ

1.3 Caractéristiques de la loi normale

Si X suit une loi normale de paramètres m et σ , alors :

E (X ) = m

1.4 Propriétés
V (X ) = σ 2

Le graphique de la fonction de densité de probabilité de la Loi normale est une courbe en cloche
symétrique par rapport au point d'abscisse x=m.
La droite verticale x=m divise l'aire comprise entre la courbe et l'axe des abscisses en deux parties égales
P(X<m) = 0,5 et P(X>m) = 0,5.
La grande partie des observations se situe dans l'intervalle [m-‐3σ ; m+3σ].
13

Nous avons :
2 2
p (m − σ < X < m + σ ) ; 50%
3 3
p (m − σ < X < m + σ ) ; 68%
p (m − 2σ < X < m + 2σ ) ; 95%
p (m − 3σ < X < m + 3σ ) ; 99, 74%
Pour une VA continue, on s'intéresse surtout à une probabilité d'intervalle. La fonction de densité étant
compliquée, des tables ont été prévues pour faciliter ce calcul.
Toutefois, étant donnée qu'il existe une infinité de lois normales distinctes par leurs paramètres, une seule
variable normale est tabulée et sert de référence pour les autres : il s'agit de la loi normale centrée réduite.
Le passage de la loi normale à la loi normale centrée réduite s'effectue à l'aide du changement de variable
suivant :
X −m
z=
σ
La loi normale centrée réduite à pour paramètre : m = 0 et σ = 1 .
Le graphique de la fonction de densité de probabilité de la loi normale centrée réduite (LNCR ) est une
courbe en cloche symétrique par rapport au point d'abscisse z = 0 .
La droite verticale z = 0 divise l'aire comprise entre la courbe et l'axe des abscisses en deux parties égales

p ( z < 0) = 0,5

Et
p ( z > 0) = 0,5
.
14

La grande partie des observations se situe dans l'intervalle ]-‐3 ;3[.
2 2
p (− < Z < ) ; 50%
3 3
p (−1 < Z < 1) ; 68%
p (−2 < Z < 2) ; 95%
p (−3 < Z < 3) ; 99, 74%
La table suivante s’appelle la table de la loi normale centrée réduite et nous donne les probabilités de
trouver une valeur inférieure à z c’est-‐à-‐dire p ( Z ≤ z ) qui sera notée par la suite ∏( z ) .
15

16

Pour une variable normale quelconque X de paramètres m et σ:
X −m x−m
F ( x) = p( X ≤ x) = p ( ≤ )
σ σ
= p(Z ≤ z )
= Π ( z)

Pour lire une valeur de П(z) dans la table, il suffit de lire l’intersection entre la ligne correspondante à la
valeur de z et la colonne correspondante au deuxième chiffre après la virgule de z.
Exemple :
X suit une loi normale N(345; 167). On souhaite connaître la probabilité pour que X soit inférieur à 500. On
effectue le changement de variable:

Z = X − x = X −345
σ 167
500 − 345
p( X < 500) = p(Z < )
167
= p( Z < 0.93)
= Π (0.93)
= 0.8238
Exemple :
Le poids moyen de 500 colis est de 141kg et l’écart type est de 15 kg, en supposant que ces poids sont
normalement distribués, calculer le nombre de colis pesant :
Entre 120 et 155kg
Plus de 185 kg
Réponse :
La variable aléatoire suit une loi normale de paramètres m = 141 et σ = 15 .
X −m X − 141
Le changement de variable Z = = donne :
σ 15
120 − 141 155 − 141

p(120 < X < 155) = p( <Z < )
15 15

7 14
= p(− < Z < )
5 15
14 7
= ∏ ( ) − ∏ (− )
15 5
17

14 ⎡ 7 ⎤
= ∏ ( ) − ⎢1 − ∏ ( ) ⎥
15 ⎣ 5 ⎦
14 7
= ∏ ( ) + ∏ ( ) − 1
15 5
= 0,8238 + 0,91924 − 1
= 0, 74304
Alors le nombre de colis qui pèsent entre 120 et 155 kg est 500 × 0, 74307 ; 372 colis.
Maintenant cherchons le nombre de colis pesant plus de 185 kg.
⎛ 185 − 141 ⎞ ⎛ 44 ⎞
p ( X ≥ 185 ) = p ⎜ Z ≥ ⎟= p⎜Z ≥ ⎟
⎝ 15 ⎠ ⎝ 15 ⎠
⎛ 44 ⎞
= 1 − ∏ ⎜ ⎟
⎝ 15 ⎠
= 1 − 0,9983
= 0, 0017
C’est-‐à-‐dire à peu près 1 colis.
2. Loi de KHI-‐DEUX

2.1 Définition

On appelle variable de khi deux de Pearson, la variable χ 2 qui varie entre 0 et +∞ est définie par la
fonction de densité de probabilité:
k x
−1 −
f ( x) = c × x 2
e 2
Le paramètre k est une constante entière positive appelée nombre de degrés de liberté: on dit variable de
Khi deux à k degrés de liberté, désignée par χ 2 à k dl
+∞
K est une constante telle que : ∫
0
f ( x)dx = 1 .
18

E ( χ 2 à k dl ) = k
V ( χ 2 à k dl ) = 2k
La table de la loi de Khi deux dépend du paramètre k, elle donne les valeurs de χ 2 à k dl pour des valeurs
de la fonction de répartition (probabilités). Pour lire une valeur χ 2 à k dl dans la table, il suffit de lire
l’intersection entre la colonne correspondante à la valeur de la probabilité et la ligne correspondante au
degré de liberté k.
Pour lire une valeur χ 2 à k dl dans la table, il suffit de lire l’intersection entre la colonne correspondante à la
valeur de la probabilité cumulée F (χ 2

à k dl ) et la ligne correspondante aux degrés de liberté.
19

Exemple :
La valeur de χ 2 à10 dl pour une probabilité de 0,95 correspond à l’intersection entre la colonne
correspondante à 10, on peut lire la valeur 18,3
χ 2 à10 dl = 18,3
2 Loi de STUDENT

2.1 Définition
On appelle variable T de Student, la variable T définie par la fonction de densité de probabilité:
t 2 − k 2+1
f (t ) = c(1 + )
k
Le paramètre k est une constante entière positive appelée nombre de degré de liberté: on dit variable
Student T à k degrés de liberté, désignée par T à k dl
+∞
K est une constante telle que: ∫
−∞
f (t )dt = 1

E (T à k dl ) = 0
k
V (T à k dl ) = pour k > 2
k −2
La table de la loi T de Student dépend du paramètre k, elle donne T à k dl les valeurs de T à k dl pour
les valeurs de la fonction de répartition (probabilités). Pour lire une valeur de T à k dl dans la table, il
suffit de lire l’intersection entre la colonne correspondante à la probabilité et la ligne correspondante au
degré de liberté.
20

Exemple :
La valeur de T à 10 degrés de liberté et pour une probabilité 0.95 est: T0.95 à 10 dl = 1,812 .
3 Loi de FISCHER SNEDECOR

On appelle variable F de Fischer, la variable F définie par la fonction de densité de probabilité:
k1 k1 + k2
−1 −
f ( x) = cx 2 (k1 x + k2 ) 2
Les paramètres k1 et k2 sont deux constantes entières positives appelées nombre de degrés de liberté: on
dit F à k1 et k2 degrés de liberté, désignée par : F à k1 et k2 dl .

+∞
k1 et k2 sont des constantes telle que: ∫0
f (t )dt = 1.
21


k2
E ( F à k1 et k2 dl ) = pour k2 > 2
k2 − 2

2k2 2 (k1 + k2 )
V ( F à k1 et k2 dl ) = pour k2 > 4
k1 (k2 − 2)(k2 − 4)
Il ya plusieurs tables de la loi de Fischer pour différentes valeurs de la fonction de répartition (probabilités).
Chaque table de la loi F dépend des degrés de liberté k1 et k2 .
Pour lire une valeur F à k1 et k2 dl dans la table, il suffit de lire l’intersection entre la colonne correspondante
à la valeur de k1 et la ligne correspondante à la valeur de k2 .
Exemple :
La valeur de F à 10 et 15 dl pour une probabilité de 0.95 se trouve dans la table de la loi
F ( p = 0.95) : F à 10 et 15 dl = 2.54.
22

4 Théorème centrale limite

Le théorème central limite est une généralisation de la propriété d’additivité. Toute somme de variables
aléatoires indépendantes tend à suivre une loi normale quelles que soient les lois de probabilités suivies
par ces variables.
Quelles que soient les variables aléatoires indépendantes X 1 , X 2 ,...., X n de moyennes respectives
m1 , m2 ,...., mn . Nous avons:
(
X1 + X 2 + ... + X n ≈ N m1 + m2 + ... + mn , σ12 + σ 22 + ... + σ n2 )
Exemple :
Une caisse d’assurance maladie reçoit 120 personnes pour l’obtention de remboursements. On suppose
que la somme à rembourser à chaque personne est une variable aléatoire de moyenne 1000 dirhams et
d’écart-‐type 600 dirhams. La caisse dispose de 130000 dirhams. Quelle est le risque que cette somme ne
soit pas suffisante pour rembourser toutes les personnes ?
Réponse :
Désignons par X i (i=1 à 120) la somme à rembourser à chaque personne.
Désignons par X la somme totale que doit payer aux 120 personnes.
X = X1 + X 2 + ... + X120
D’après le théorème central limite, on peut affirmer que X suit une loi normale de moyenne la somme
des moyennes et d’écart-‐type la racine carrée de la somme des variances.
(
X = N 120 ×1000; 120 × (600) 2 = N (120000;6572,67 ) )
La somme de 130000 dh ne sera pas suffisante si la somme totale à rembourser aux 120 personnes dépasse
130000 dh :
⎛ X − 120000 130000 − 120000 ⎞

p ( X > 130000 ) = 1 − p ( X ≤ 130000 ) = 1 − p ⎜ ≤ ⎟
⎝ 6572, 67 6572, 67 ⎠
= 1 − p ( Z ≤ 1,52 ) = 0, 0643
Il y a donc un risque de 6,5 % que la somme de 130000 dirhams ne soit pas suffisante pour rembourser
toutes les personnes.
23

II. Echantillonnage
1. Comment dénombrer ?

Question : combien y a-‐t-‐il de personnes atteintes de troubles de la vue parmi les conducteurs automobiles
au Maroc ?
Réponse : 10% ? 40 % ? 75 % ?
Il est impossible de les compter toutes en examinant toute la population des conducteurs marocains
Il va être nécessaire d’utiliser une procédure particulière (l’échantillonnage) et des méthodes statistiques
pour estimer la précision du résultat (incertitude)
2. Terminologie

Population : Toutes les personnes à qui les résultats doivent s’appliquer
Echantillon : Dans la plupart des cas, la taille de la population est trop importante pour que l’on puisse
étudier tous les individus qui la composent. On étudie un sous-‐groupe appelé échantillon.
Unité de base : il peut s’agir d’une unité de sondage, c’est l’élément pris en considération dans l’enquête.

Enquête: ensemble des opérations de collecte et de traitement des données relatives à quelques
domaines que ce soit.
Recensement: Enquête complète ou enquête exhaustive, c’est une enquête au cours de laquelle toutes les
unités de base de la population sont observées.
Sondage: Enquête incomplète, enquête partielle ou enquête par échantillonnage.
Echantillonnage: ensemble des opérations qui permettent de sélectionner de façon organisée les éléments
de l’échantillon.
Base de sondage: énumération ou présentation ordonnée de toutes les unités de base constituant la
population.
24

Erreur d’échantillonnage: écart entre les résultats obtenus auprès d’un échantillon et ce que.
Fraction ou taux de sondage: proportion des unités de la population qui font partie de l’échantillon. C’est
le rapport entre la taille de l’échantillon n, et la taille de la population N.
n
f = ×100
N

3. Méthodes d’échantillonnage

3.1 Echantillonnage probabiliste

Ensemble de méthodes appelées sondages probabilistes, parce que chaque unité échantillonnée a une
probabilité connue à l’avance de figurer dans l’échantillon.
Ceci permet :
• de généraliser l’estimation du phénomène à la population dont est issu l’échantillon.
• d’apprécier la marge d’erreur, le degré d’incertitude de l’estimateur.
3.1.1 Echantillonnage aléatoire simple
Chaque sujet de la population a la même probabilité d’être inclus dans l’échantillon
Maximise la possibilité de conclure pour toute la population
Base de sondage : liste préétablie des sujets
Liste des conducteurs
Liste des foyers
Liste des abonnés au téléphone
…
Procéder à un tirage au sort des sujets dans la base :
Programme informatique
Tables de nombre au hasard
25

Le sondage permet de limiter la taille de l’investigation
Avantages : Réduction des coûts d’investigation, meilleure qualité de l’observation chez chaque sujet
(enquête, questionnaire, investigation ), délai d’obtention des résultats plus rapide.
Limite : il est nécessaire d’avoir une base de sondage fiable
3.1.2 Echantillonnage stratifié
Dans certains cas, on peut craindre d’obtenir trop peu de sujets d’un sous-‐groupe particulier (p.ex. les
conducteurs occasionnels), alors qu’on peut supposer une fréquence particulière du phénomène dans ce
sous-‐groupe.
On risque que l’échantillon de ce sous-‐groupe de la population ne permette pas de calculer un estimateur
suffisamment précis
Par le simple fait du hasard, on peut sous-‐estimer ou sur-‐estimer la fréquence du phénomène dans ce sous-‐
groupe
La méthode consiste à identifier les niveaux / catégories de la variable qui caractérise cet aspect de la
population
exemple : on peut supposer que les personnes d’un même groupe partagent des caractéristiques qui
déterminent plus particulièrement le phénomène
Les troubles de la vue peuvent comporter une composante d’origine génétique : daltonisme, myopie
Les personnes d’une même famille ont donc une probabilité différente d’une autre famille
Chaque famille définit une strate de la population
L’échantillon est constitué par un sondage aléatoire simple par strate :
Tirage au sort des unités dans chaque strate

26


3.1.3 Echantillonnage par degré

L’échantillonnage par degrés regroupe toute une série de plans d’échantillonnage caractérisés par un
système ramifié et hiérarchisé d’unités.
L’échantillonnage par degrés s’impose lorsqu’il est impossible d’inventorier les éléments de toute la
population et qu’il est possible d’énumérer les unités prélevées au premier degré. Il permet une
concentration du travail sur le terrain et donc une réduction des coûts.
Pour un même nombre total d’observations, il faut citer sa plus faible efficacité que l’échantillonnage
aléatoire simple.
Exemple:
Pour étudier le niveau de consommation des ménages d’une ville, on a tiré aléatoirement 5 quartiers. Dans
chaque quartier sélectionné, on retient une rue sur 5, dans chaque rue retenue, on retient un immeuble sur
3, et dans chaque immeuble, un ménage par étage sera questionné
3.1.4 Echantillonnage systématique

L’échantillonnage systématique est une technique qui consiste à prélever des unités d’échantillonnage
situées à intervalles égaux. Le choix du premier individu détermine la composition de tout l’échantillon.
Si on connaît l’effectif total de la population N et qu’on souhaite prélever un échantillon d’effectif n,

l’intervalle entre deux unités successives à sélectionner est donné par:
N
k= (arrondi à l ' entier le plus proche)
n
L’échantillonnage systématique est facile à préparer et, en général facile à exécuter, il réduit le temps
consacré à la localisation des unités sélectionnées.
Si les éléments de la population se présentent dans un ordre aléatoire ( pas de tendance ) l’échantillonnage
systématique est équivalent à l’échantillonnage aléatoire et simple. Par contre si les éléments de la
population présentent une tendance, l’échantillonnage systématique est plus précis que l’échantillonnage
aléatoire.
Exemple :
On veut sélectionner an échantillon de 30 entreprises au sein d’une population de 1800 entreprises.
1800
k= = 60
30
Ainsi on va tirer une entreprise toutes les 60 en partant d’un nombre tiré aléatoirement entre 1 et 60.
27

Supposons que ce nombre est le 15. On va donc sélectionner la 15 ème entreprise puis la 75 ème la 135
éme jusqu’à la 1755 éme ce qui nous donnera l’échantillon de 30 entreprises.
3.2 Echantillonnage empiriques

3.2.1 Echantillonnage accidentel

Il s’agit d’un échantillon constitué d’individus qui se trouvaient accidentellement à l’endroit et au moment
où l’information a été collectée.

Exemple:
-‐ Enquêtes réalisées dans la rue, les lieux publiques, en sortie de super marché…
-‐ Questionnaires figurant dans les magasines et renvoyés spontanément
3.2.2 Echantillonnage à priori

C’est un échantillonnage par jugement à priori. Il consiste à sélectionner des individus dont on pense, avant
de les interroger, qu’ils peuvent détenir l’information.
Le risque de ce type d’échantillonnage est de considérer des individus, apparemment représentatifs de la
population étudiée.

3.2.3 Echantillonnage « boule de neige »

Cette méthode est réservée aux populations composées d’individus dont l’identification est difficile ou qui
possèdent des caractéristiques rares.

3.2.4 Echantillonnage par quotas

L’échantillonnage par quotas est l’échantillonnage non probabiliste le plus connu, et finalement le mieux
accepté comme substitut aux méthodes probabilistes dans le cas où ces dernières rentreraient des
contraintes de base de sondage. Mais la représentativité de la population reste douteuse.
4. Détermination de la taille de l’échantillon

A fin de déterminer la taille de l’échantillon, nous utilisons l’inégalité de Bienaymé Tchebycheff ou la loi
normale.
4.1 Utilisation de l’inégalité de Bienaymé Tchebychef

Cette inégalité n’est utilisée que si la loi de la variable aléatoire est complètement inconnue. Elle aboutit à
des échantillons de taille élevée.
28


4.1.1 Taille de l’échantillon pour estimer une moyenne

L’inégalité de Bienaymé Tchybecheff dans le cas de la moyenne s’écrit:
σ2
p( X − m < ε ) ≥ 1 −
nε 2
n : la taille de l ' échantillon

ε : précision souhaitée
X : moyenne de l ' échantillon
m : moyenne de la population
σ : Ecart − type de l ' échantillon
Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une marge d’erreur
"ε " que l’on accepte.
On se fixe un seuil de confiance (1 − α ) , qui représente la probabilité minimale pour que la moyenne
calculée à partir de l’échantillon ne s’écarte pas de la moyenne de la population de plus de " ε " .
p( X − m < ε ) ≥ 1 − α
Ce qui implique que :
σ2
n=
ε 2 ×α
Exemple:
Un parc de loisirs souhaite estimer à 10dh prés le montant moyen d’achats effectués par chaque visiteur,
c’est-‐à-‐dire on se fixe une marge d’erreur de 10 dans l’analyse des résultats: ε = 10
Une étude pilote menée sur 50 visiteurs choisis au hasard a montré que l’écart-‐type des achats est:
σ = 100dh
Si on se fixe un seuil de confiance 1 − α = 95%
La taille de l’échantillon est donc:
1002
n= = 2000
102 × 0.05
4.1.2 Taille de l’échantillon pour estimer une proportion
29

L’inégalité de Bienaymé Tchybecheff dans le cas de la proportion s’écrit:
pq
p( f n − p < ε ) ≥ 1 −
nε 2


f n : proportion ou fréquence relative dans l ' échantillon
p : proportion dans la population (q = 1 − p)
Pour obtenir un maximum de fiabilité dans les résultats, on commence par se fixer une marge d’erreur " ε "
que l’on accepte.
On se fixe un seuil de confiance (1 − α ) , qui représente la probabilité minimale pour que la fréquence
calculée à partir de l’échantillon ne s’écarte pas de la proportion de la population de plus de " ε "
p( f n − p < ε ) ≥ 1 − α .
Ce montre que :
pq
n=
ε ×α2
Exemple:
Le parc souhaite estimer la proportion des visiteurs qui font des achats à cinq points prés, c’est-‐à-‐dire on
se fixe une marge d’erreur de 5% dans l’analyse des résultats: ε = 0.05
L’enquête pilote a estimé cette proportion à 65%, c’et à dire p=0.65
Si on se fixe un seuil de confiance 1 − α = 95% .
0.65 × 0.35
n= = 1820
0.052 × 0.05
4.2 Utilisation de la loi normale

On applique cette méthode si la variable suit une loi normale ou si elle peut être approché par la loi
normale.

30

Taille de l’échantillon pour estimer une moyenne
a-‐ Cas des prélèvements dans une population finie avec remise ou dans une population infinie
sans remise
"ε " que l’on accepte. On fixe ensuite un seuil de confiance (1 − α ) , qui représente la probabilité
minimale pour que la moyenne calculée à partir de l’échantillon ne s’écarte pas de la moyenne de la
population de plus de " ε " . Ceci s’écrit:
p( X − m < ε ) ≥ 1 − α

X : moyenne de l ' échantillon
m : moyenne de la population
On se reporte à la table de distribution da la loi normale centrée réduite, et on cherche la valeur

α
correspondante à une probabilité égale à 1 − , cette valeur de Z sera désignée par Z α . On a alors:
2 1−
2
σ2
n = Z2 α
1−
2 ε2
Exemple:
Reprenons l’exemple du parc de loisirs qui souhaite estimer à 10 dh prés le montant moyen d’achats
effectués par chaque visiteur, c’est-‐à-‐dire on se fixe une marge d’erreur de 10 dans l’analyse des résultats:
ε = 10 .
Une étude pilote menée sur 50 visiteurs choisis au hasard a montré que l’écart-‐type des achats est:
σ = 100dh .
Si on se fixe un seuil de confiance (1 − α ) = 95% .
1002
n = 1.96 = 384,16 = 385
2
102

31

b-‐-‐ Cas des prélèvements dans une population finie sans remise

Dans le cas d’un prélévement sans remise dans une population finie nous avons :
E( X n ) = m
N − n σ 2
V (Xn) = ×
N −1 n
L’écart type de la moyenne est donc:
N −n σ σ n
σX = × ≈ × 1 −
N −1 n n N

De la même manière, on arrive à:
Z 2 ασ 2N
1−
n= 2

ε N + Z 2 ασ 2
2
1−
2
4.2.1 Taille de l’échantillon pour estimer une proportion

"ε " que l’on accepte. On fixe ensuite un seuil de confiance (1 − α ) , qui représente la probabilité
minimale pour que la moyenne calculée à partir de l’échantillon ne s’écarte pas de la moyenne de la
population de plus de " ε " . Ceci s’écrit:
p( f n − p < ε ) ≥ 1 − α


f n : proportion ou fréquence relative dans l ' échantillon
p : proportion dans la population (q = 1 − p)
La proportion est souvent inconnue, il faut avoir des informations antérieures ou mener une étude pilote,
sinon on utilise une proportion de 50%.
32

a-‐ Cas des prélèvements dans une population finie avec remise ou dans une population infinie
sans remise
E ( fn ) = p
pq
V ( fn ) =
n
On se reporte à la table de distribution de la loi normale centrée réduite, et on cherche la valeur

α
correspondante à une probabilité égale à 1 − , cette valeur de Z sera désignée par: Z α .
2 1−
2
On a alors:
n = Z2 α
1−
2
pq
ε2

Exemple:
Reprenons l’exemple du parc de loisirs qui souhaite estimer la proportion des visiteurs qui font achats à
cinq points prés, c’est-‐à-‐dire on se fixe une marge d’erreur de 5 % dans l’analyse des résultats:
Une étude pilote a estimé cette proportion à 65 %, c’est-‐à-‐dire p=0,65. Si se fixe un seuil de confiance 1-‐
α=95%, on se reporte à la table de la distribution de la loi normale, et on cherche la valeur correspondante
à une probabilité 1-‐ α/2= 0.975 ce qui donne Z=1.96.
0.65 × 0.35
n = 1,962 × = 349,58 = 350
0.052
b-‐-‐ Cas des prélèvements dans une population finie sans remise

E ( fn ) = p
N − n pq
V ( fn ) = ×
N −1 n
Z 2 α pqN
1−
n= 2

ε 2 N + Z 2 α pq
1−
2
33

Exemple:
Un enfant a réalisé 4040 lancers d’une pièce de monnaie, et il a obtenu 2048 fois le résultat « Pile ».
Est-‐ce que cette pièce est équilibrée?
La variable X sui une loi binomiale de paramètres n et p avec n=4040 et p=0.5.
L’intervalle de fluctuation, au seuil de 95% , pour une loi binomiale
de paramètres : n>25 et 0.2<p<0.8 est ⎡⎢ p − 1

, p+
1 ⎤
⎥
⎣ n n⎦
Pour l’échantillon considéré, on obtient l’intervalle
⎡ 1 1 ⎤
I = ⎢0.5 − ;0.5 + ⎥ = [0.4843;05157 ]
⎣ 4040 4040 ⎦
La fréquence observée dans l’échantillon est donnée par:
2048
f = ; 0.5096 ∈ I
4040
Donc on accepte l’hypothèse de pièce équilibrée.
5. Distribution d’échantillonnage

La notion de distribution d’échantillonnage est la base des méthodes d’inférence statistique dont les deux
principales applications sont les problèmes d’estimation et les testes d’hypothèses.
Les problèmes d’estimation ont but d’estimer, à partir d’un échantillon, la valeur numérique d’un ou de
plusieurs paramètres de la population, et de déterminer la précision de cette ou des estimations.
Les principales distributions d’échantillonnage sont la distribution d’échantillonnage de la moyenne, de la
variance et de la proportion.
A tout paramètre de la population θ, on peut associer une série infinie de valeurs observées t, t’, t’’…,
calculées à partir d’échantillons successifs de même effectif (taille), prélevés dans des conditions
identiques.
Ces valeurs peuvent être considérées comme des valeurs observées d’une même variable aléatoire T, et
cette variable est une fonction de différentes variables aléatoires correspondant à chacun des individus de
l’échantillon:
T = f ( X1 , X 2 ,..., X n )
En supposant que l’échantillon est aléatoire simple, la variable aléatoire T possède une distribution de
probabilité, dite distribution d’échantillonnage.
34

La distribution d’échantillonnage est donc la distribution des différentes valeurs que peut prendre la
variable aléatoire T, pour les différents échantillons possibles. Son écart type σ T est appelé erreur
standard.
5.1 Distribution d’échantillonnage de la moyenne

Supposons que dans une population infinie quelconque, on ait prélevé au hasard un premier échantillon de
n observations: x1 , x2 ,..., xn

Et qu’on ait calculé la moyenne:
∑x i
x= i =1

n
Si on prélève, dans les mêmes conditions, un deuxième échantillon de même effectif
x '1 , x '2 ,..., x 'n
La moyenne correspondante :
n
∑ x' i
x' = i =1

n
sera généralement différente de la première observée.
Les moyennes observées x, x ',... sont alors des valeurs observées d’une même variable aléatoire
∑X i
X= i =1

n
On démontre alors:
E( X ) = m
σ 2
V (X ) =
n
σ
σX = est appelé erreur standard de la moyenne d’un échantillon aléatoire et simple.
n
Dans le ca d’une population finie d’effectif N, au sein de laquelle est prélevé, sans remise, un échantillon
aléatoire et simple d’effectif n, l’erreur standard est:
σ N −n
σX = ×
n N −1
35

Si la taille de l’échantillon est supérieure ou égale à 30, la variable aléatoire X est asymtotiquement
normale N (µ X
, σ X ) .
5.2 Distribution d’échantillonnage de la proportion

Supposons que dans une population infinie quelconque, on prélève un échantillon aléatoire et simple
d’effectif n, on désigne par x le nombre d’individus possédant, dans l’échantillon, le caractère étudié
Xn
fn = est la fréquence ou proportion des individus possédant le caractère étudié.
n
Xn
Comme dans le cas de la moyenne on peut définir une variable aléatoire Fn =
n
On peut démontrer que:
E ( Fn ) = p
pq
V ( Fn ) =
n
σF =n
pq
n
est l’erreur standard de la proportion d’un
échantillon aléatoire et simple.
Dans le cas d’une population finie d’effectif N, au sein de laquelle est prélevé, sans remise, un échantillon
aléatoire et simple d’effectif n, l’erreur standard est:
pq N −n
σF = ×
n
n N −1
36

III Estimation

Les premiers problèmes d’inférence statistique auxquels s’applique la théorie des distributions
d’échantillonnage sont les problèmes d’estimations. Le but poursuivi est d’estimer, à partir d’un
échantillon, la ou les valeurs numériques d’un ou de plusieurs paramètres de la population considérée et
de déterminer la précision de cette ou de ces estimations.
On distingue deux formes d’estimations: l’estimation ponctuelle et l’estimation par intervalle de confiance.
A partir des données de la population-‐mère, la théorie de l’échantillonnage permet de déduire des résultats
au sujet des échantillons extraits de la population. Le problème de l’estimation est le problème inverse.
A partir de données ( moyenne, variance, écart-‐type…) d’échantillons représentatifs, on va induire des

résultats pour la population mère.
D’un point de vue utilitaire, ce dernier problème est plus important que le problème contraire, car devant
la difficulté de recourir à des recensements, le seul moyen dont dispose le statisticien pour connaître les
paramètres d’une population réside en l’estimation de ceux-‐ci à partir d’échantillons significatifs de la
population.
1. Estimation ponctuel

1.1 Définition

L’estimation ponctuelle ou l’estimation de point d’un paramètre est la connaissance de la seule valeur
estimée de ce paramètre. Les paramètres les plus recherchés sont la moyenne, la variance et la proportion.
1.2 Estimateur

37

Soit une variable aléatoire X dont la loi de probabilité est caractérisée par la densité de probabilité
f ( x,θ ) , laquelle dépend d’un paramètre θ à estimer. Soient x1 , x2 ,..., xn les valeurs prises par X dans
un échantillon taille n
On appelle estimateur Tn de θ , la fonction qui aux variables de l’échantillon fait correspondre la valeur
du paramètre θ :
Tn ( x1 , x2 ,..., xn ) = θ
La fonction Tn est une fonction numérique d’un échantillon aléatoire. C’est donc une variable aléatoire.
1.3 Estimateur sans biais

Un estimateur Tn est dit sans biais, si l’espérance mathématique de l’estimateur est égale à la vraie valeur
du paramètre θ à estimer
E (Tn ) = θ
Un estimateur Tn est dit asymptotiquement sans biais, si:

lim E (Tn ) = θ
n →∞
1.4 Estimateur à variance minimum

Si on considère tous les estimateurs possibles dont les distributions d’échantillonnage ont la même
moyenne, l’estimateur le meilleur est celui dont la variance est minimum à effectif égal de l’échantillon.
1.5 Inégalité de Cramer-‐Rao

La variance de Tn possède une borne inférieure
1
Var (Tn ) ≥
I (θ )
Où I (θ ) est la quantité d’information:
⎧⎡ ∂Log f ( x,θ ) ⎤ 2 ⎪
⎪ ⎫
I (θ ) = n.E ⎨⎢ ⎥⎦ ⎬
⎪
⎩ ⎣ ∂θ ⎪
⎭
1.6 Estimateur efficace

1
Un estimateur Tn est dit efficace si: Var (T ) =
I (θ )
Où I (θ ) est la quantité d’information

38

1.7 Constriction d’un estimateur par la méthode de vraisemblance

Considérons une variable aléatoire X qui suit une loi de probabilité définie par sa densité de probabilité
f ( x,θ ) , où θ est un paramètre inconnu à estimer. On tire un échantillon au hasard de n valeurs de X:
x1 , x2 ,..., xn
La fonction de vraisemblance de X est:
L ( x1 , x2 ,..., xn ) = f ( x1 ,θ ) . f ( x2 ,θ ) ... f ( xn ,θ )
La valeur θ$ qui rend maximum la vraisemblance L est ainsi solution de l’équation:
∂Log ( L )
= 0 ⇒ θ$
∂θ
Exercice:
On admet que la durée de vie d’un matériel est une variable aléatoire suivant une loi continue de densité:
1 − at
f (t ) = e , t ≥ 0, a > 0,
a
a étant un paramètre inconnu que l’on veut estimer à l’aide d’observations indépendantes: t1 , t2 ,...., tn .
1. Calculer E(T) et V(T).

2. Quelle est la borne inférieure de la variance de toute estimation ponctuelle de a?
3. Montrer que l’estimation efficace de a est:
n
∑t i
a$ = i =1

n
4. Retrouvez le résultat par la méthode du maximum de vraisemblance.

Réponse:

• l’espérance mathématique de la variable aléatoire considérée est par définition:
+∞ +∞ t − at
E (T ) = ∫ tf (t )dt = ∫ e dt = a
0 0 a
La variance est par définition égale au moment simple du second ordre, diminué du carré du moment
simple du premier ordre:
+∞
V (T ) = ∫ t 2 f (t ) dt − ( E (T )) 2
0
t 2 − at
+∞
= ∫0 a e dt − a
2
= 2a 2 − a 2
= a2
39

• Désignons par a$ une estimation ponctuelle de a . nous savons que l’inégalité de Cramer-‐Rao,
donne une bonne inférieure de la variance de l’estimateur:
,
1
Var (a$) ≥
I (a)
Où I(a) est la quantité d’information, définie par:
⎧⎪⎡ ∂Log f (t , a) ⎤ 2 ⎫⎪
I (a) = n.E ⎨⎢ ⎥⎦ ⎬
⎪⎩⎣ ∂a ⎪⎭
Calculons I(a) :
1 − at
f (t , a) = e
a
t
Log ( f (t , a)) = − − Log ( a)
a

∂Log ( f (t , a)) t 1 t − a
= 2− = 2
∂a a a a
2
⎡ ∂Log ( f (t , a)) ⎤ (t − a) 2
⎢⎣ ⎥ =
∂a ⎦ a4
Prenons l’espérance mathématique:

⎛ (T − a )2 ⎞ 1
E⎜
⎜ a 4
⎟ = 4 E (T − a )
⎟ a
2
( )
⎝ ⎠
1
= 4 ⎡⎣ E (T 2 ) − 2aE (T ) + a 2 ⎤⎦
a
1
= 4 ( 2a 2 − 2a.a + a 2 )
a
1
= 2
a
Par suite:
n
I (a) =
a2
La borne inférieure de la variance de l’estimateur est ainsi:
1 a2
Var (a$) ≥ = .
I (a) n
• l’estimateur sera un estimateur efficace de a quand la variance de l’estimateur sera égale à
l’inverse de la quantité d’information:
$ 1 a2
Var (a) = =
I (a) n
Pour que la quantité
40

∑t i
i =1
= a$
n
Il faut montrer que:
⎛ n ⎞
⎜ ∑ ti ⎟ a2
Var ⎜ i =1 ⎟ =
⎜ n ⎟ n
⎜ ⎟
⎝ ⎠
Nous avons :
1 1
2
Var ( t1 + t2 + ... + tn ) = 2 ⎡⎣Var ( t1 ) + Var ( t2 ) + ... + Var ( tn )⎤⎦
n n
1
= 2 ( a 2 + a 2 + ... + a 2 )
n

1
= 2 ( na )2
n
a2
=
n
Construisons l’estimateur de a par la méthode de vraisemblance.
La fonction de vraisemblance L de la variable aléatoire est:
L ( t1 , t2 ,...., tn , a ) = f ( t1 , a ) . f ( t2 , a ) ..... f ( tn , a )
t t t
1 −1 1 −2 1 −n
= e a . e a .............. e a
a a a
⎛ n ⎞
⎜
∑
⎜ ti ⎟
⎟
−⎜ i=1 ⎟
⎜ a ⎟
1 ⎜ ⎟
= e ⎝ ⎠
an

Prenons le logarithme de L :
n
∑t i
Log ( L ) = − i =1
− nLog ( a )
a
Dérivons cette quantité par rapport au paramètre a à estimer:
n n
∂Log ( L ) ∑ ∑ (t − na )
t i i
n
= i =1
− = i =1

∂a a2 a a2
41

La vraisemblance est maximale si:
∂Log ( L ) ∑ (t i − na )
=0⇒ i =1
=0
∂a a2
n
⇒ ∑ ti − na$ = 0
i =1
n
∑t i
⇒ a$ = i =1

2. Estimation par intervalle de confiance

2.1 Définition

Estimer un paramètre θ par un intervalle [a; b] contenant θ , avec une certaine probabilité 1 − α ,
constitue une estimation par intervalle de confiance:
p {θ ∈ [a; b]} = 1 − α
le nombre 1 − α s’appelle le coefficient de confiance
2.2 Estimation d’une proportion

Considérons une population dans laquelle une proportion p, inconnue, des individus possèdent un
caractère A. Dans un sondage significatif de taille n, le caractère A est observé avec la fréquence f n
Si n est assez grand (n>30) ou si le caractère A suit une loi normale, on sait que (cf. distribution d’
⎛ pq ⎞
échantillonnage) la loi de probabilité de f n est une loi normale N ⎜ p, ⎟ .
⎜ n ⎟⎠
⎝
Si on s’intéresse à la proportion p , l’estimation par intervalle de confiance consiste à déterminer de part
et d’autre de l’estimateur.
Les bornes p1 et p2 d’un intervalle qui a un niveau de confiance Fn .
1 − α de contenir p .
p( p1 ≤ p ≤ p2 ) = 1 − α
42

Ou d’autre façon:
α
p( p < p1 ) = p( p > p2 ) =
2
Les limites de confiance peuvent être écrites:
p = f
1 n

− d1 et p2 = f n + d2 .
On peut écrire:
α
p( p < f n − d1 ) = p( p > f n + d 2 ) =
2
α
p( f n − p > d1 ) = p( p − f n > d 2 ) =
2
⎛ pq ⎞
Comme, la distribution de la proportion suit une loi normale N ⎜ p, ⎟⎟ à condition que la taille de
⎜ n
⎝ ⎠
l’échantillon soit supérieure ou égale à 30 et le produit n. p ≥ 5 , on peut écrire:
⎛ ⎞ ⎛ ⎞
⎜ f −p d1 ⎟ ⎜ p− f d ⎟
p⎜ n > ⎟ = p⎜ n
> 2 ⎟
⎜ pq pq ⎟ ⎜ pq pq ⎟
⎜ ⎟ ⎜ ⎟
⎝ n n ⎠ ⎝ n n ⎠
⎛ ⎞ ⎛ ⎞
⎜ d ⎟ ⎜ d ⎟ α
p ⎜ Z1 > 1 ⎟ = p ⎜ Z2 > 2 ⎟ =
⎜ pq ⎟ ⎜ pq ⎟ 2
⎜ ⎟ ⎜ ⎟
⎝ n ⎠ ⎝ n ⎠
⎛ ⎞ ⎛ ⎞
⎜ d ⎟ ⎜ d2 ⎟ α
p ⎜ Z1 < 1 ⎟= ⎜
p Z2 < ⎟ = 1−
⎜ pq ⎟ ⎜ pq ⎟ 2
⎜ ⎟ ⎜ ⎟
⎝ n ⎠ ⎝ n ⎠
d1 d
= 2 =Z α
pq pq 1−
2
n n
Il en résulte:
pq
d1 = d 2 = Z α
1−
2 n
Les limites de confiances sont donc:
43

p (1 − p ) p (1 − p )
p1 = f n − Z α et p2 = f n + Z α
1−
2 2 1−
2 2
On notera l’intervalle de confiance:
⎡ p(1 − p) p(1 − p) ⎤
⎢ f n − Z1−α ; fn + Z α ⎥
⎣ 2 n 1−
2 n ⎦
Exemple:
On étudie le pourcentage d’utilisation d’une machine. 400 observations ont été effectuées qui ont donné le
résultat suivant:
• Machine marche: 320 observations.

• machine arrêtée: 80 observations.
L’estimation ponctuelle de la proportion d’utilisation de la machine est:
µp = f = 320 = 0.8
n
400
Le taux d’utilisation de la machine est estimé à 80%.
L’intervalle de confiance de la proportion à niveau de confiance de 95 % est défini par:
⎡ p(1 − p) p(1 − p) ⎤
⎢ f n − Z1−α ; fn + Z α ⎥
⎣ 2 n 1−
2 n ⎦
La valeur de Z α = Z 0,975 = 1,96 . .

1−
2
L’intervalle de [76%; 84%] a une probabilité de 95% de contenir de vrai taux d’utilisation de la machine.
2.3 Estimation d’une moyenne

Si on s’intéresse à la moyenne inconnue m d’une population normale d’écart type connu σ , l’estimation
par intervalle de confiance consiste à déterminer de part et d’autre part de l’estimateur X les bornes X 1
et X 2 d’un intervalle qui a un niveau de confiance de 1 − α de contenir m .
Nous avons:
(
p X 1 ≤ m ≤ X 2 = 1 − α )
Ou d’une autre façon:
α
(
p m < X1 = p m > X 2 = ) ( ) 2

44

Les limites de confiance peuvent être écrites
σ σ
X1 = X − Z α et X 2 = X + Z α
1−
2 n 1−
2 n
L’intervalle de confiance pour la moyenne est:
⎡ σ σ ⎤
⎢ X − Z1−α ; X +Z α ⎥
⎣ 2 n 1−
2 n ⎦

Exemple:

On veut estimer la moyenne m d’une variable aléatoire X suit une loi normale, de variance connue
σ 2 = 6, 25
A l’aide d’un échantillon de taille n=100 valeurs indépendantes. La moyenne X observé est 4,3.
Construire un intervalle de confiance au seuil de confiance de 95%.
Réponse:
Un intervalle de confiance au seuil de 95% est de la forme:
⎡ 6, 25 6, 25 ⎤
⎢ 4,3 − Z 0,975 × ; 4,3 + Z 0,975 × ⎥
⎣ 100 100 ⎦
⎡ 6, 25 6, 25 ⎤
⎢ 4,3 − 1,96 × ; 4,3 + 1,96 × ⎥
⎣ 100 100 ⎦
[3,81; 4, 79]

IV Exercices

Exercice 1 :
Des chambres à air sont produites en série et 5% ont des défauts. Un garagiste en achète 10.
a) Quelle est la probabilité que les 10 soient en bon état ?
b) On suppose qu’il annule sa commande si plus de 2 articles ont des défauts. Quelle est la probabilité
qu’il annule sa commande ?
45

Exercice 2 :
30 étudiants dont aucun n’a étudié les sujets du cours passent un examen en deux questions. La question
une a quatre réponses indiquées dont une seule est juste. La deuxième question a cinq dont une seule est
juste.
Soit la variable aléatoire X qui désigne le nombre d’étudiants qui ont au moins une réponse correcte.
a) Quelle est l’espérance du nombre d’étudiant qui ont au moins une réponse correcte ?
b) Calculer la probabilité pour que 15 étudiants de la classe aient au moins une réponse correcte.
Exercice 3 :
Le stock journalier d’un produit destiné à un atelier suit une loi normale de moyenne 120 pièces et
d’écart type 50 pièces.
a) Calculer la probabilité pour que le nombre de pièces en stock soit compris entre 80 et 160.
b) Calculer la probabilité pour que le nombre de pièces en stock soit supérieure à 200.
c) Calculer la probabilité pour qu’il y ait rupture de stock.
Exercice 4 :
La longueur d’une pièce fabriquée par une machine est une variable normale de moyenne 15 cm et d’écart
type 0.2 cm.
a) Trouver la probabilité de rejet si les dimensions admissibles de la pièce doivent être comprises
entre 14,7 et 15,3 cm.
b) Quelle précision de longueur de la pièce fabriquée peut-‐on garantir avec une probabilité de 0,95 ?
Exercice 5 :
Le lait produit par une usine a une teneur en matières grasses qui suit une loi normale de moyenne 160
grammes par litre et d’écart type 10 grammes par litre. Les consommateurs n’acceptent que le lait dont la
teneur en matières grasses est comprise entre 135 grammes par litre et 185 grammes par litre.
Calculer la proportion de la production du lait inacceptable par les consommateurs.
Exercice6 :
On étudie la durée X des communications téléphoniques dont la fonction de répartition est :
⎧0 si x < 0
F ( x) = ⎨ − kx
⎩1 − e si x ≥ 0
5
Sachant que k = .
6
a) Quelle est la probabilité pour qu’une communication dure plus de 3 minutes ?
b) Quelle est la probabilité pour qu’une communication ait une durée entre 3 et 6 minutes ?
46

c) Si on ne connaît pas k, quelle valeur faudrait-‐il lui donner pour que la probabilité d’une
communication supérieure à 3 minutes soit égale à 0.1 ?
Exercice 7 :
Soit la variable aléatoire continue définie par la fonction de répartition suivante :
F ( x) = kx si 0 ≤ x ≤ 4
2
a) Déterminer la valeur de k.

b) Déterminer l’espérance mathématique et l’écart type de X .
c) Calculer la probabilité : p(1 ≤ X ≤ 3).
Exercice 8:
Un standard téléphonique reçoit en moyenne 400 appels par jour avec un écart type de 25.
a) Quelle est la probabilité pour qu’en une journée donnée, le nombre d’appels soit compris entre
360 et 440 ?
b) Quelle est la probabilité pour que le nombre moyen d’appels par jour en une période d’un mois soit
compris entre 380 et 420 ?
Exercice 9:
Une enquête sur l’emploi a pour but d’estimer le taux d’activité dans un pays. Dans les statistiques
disponibles, la population active du pays est estimée à 10000000 personnes sur une population totale de
40 millions de personnes. Déterminer la taille de l’échantillon si l’on accepte une erreur de 1 % avec une
probabilité de 0,95.
Exercice10 :
Dans le but d’étudier l’intention d’achat d’un produit, on décide de réaliser un sondage.
Combien de personnes doit-‐on interroger pour que la fréquence empirique ne s’éloigne pas de la vraie
proportion de 1% et ce avec une probabilité au moins égale à 95% ?
Exercice11 :
On veut contrôler par sondage l’exactitude d’un stock commercial comprenant plusieurs milliers d’articles.
Déterminer la taille d’échantillon requise si l’on considère qu’une marge d’erreur inférieure ou égale à 2 %
est acceptable dans l’exactitude de l’intervalle, avec un niveau de confiance de 95,44%.

Exercice12 :
Un groupe d’étudiantes inscrites en sciences de la santé veut effectuer un sondage auprès de la population
étudiante pour estimer le pourcentage d’adeptes du tabagisme. La population étudiante est environ 8000.
47

a) Déterminer la taille d’échantillon requise pour assurer une marge d’erreur (en valeur absolue)
n’excédant pas 5 %, avec un niveau de confiance de 95 %. Une enquête similaire effectuée il ya 3
ans indiqua que 32 % d’individus fumaient régulièrement.
b) Déterminer la taille d’échantillon requise en supposant que nous n’avons aucune information
préalable sur la probabilité des étudiantes qui fument.

Exercice13 :
A fin d’estimer le revenu mensuel moyen dans un secteur de production. Quelle doit être la taille de
l’échantillon de salariés à interroger pour que la moyenne empirique ne s’éloigne pas de la moyenne de la
population de 100 dh avec une probabilité au moins égale à 0,95 sachant que l’écart type est de 500 dh par
salarié ?
Exercice14 :
On souhaite réaliser une enquête sur la consommation des ménages afin d’estimer la dépense moyenne
par ménage. Quelle doit être la taille de l’échantillon de ménages si la population est composée de 5
millions de ménages et que l’erreur admise ne doit pas dépasser 100 dh avec une probabilité de 0,99 ?
l’écart type de la dépense des ménages est de 2000 dh.
Exercice15 :
On souhaite réaliser une enquête sur l’emploi afin d’estimer le taux de chômage. La population active est
de 5 millions de personnes. Quelle doit être la taille de l’échantillon pour que la fréquence empirique ne
s’éloigne pas du vrai taux de chômage et ce avec une probabilité de 0.95 de 2%. Une enquête récente avait
donné un taux de chômage de 12%.
Exercice16 :
Une variable aléatoire K représente le nombre de pannes d’un dispositif électronique. La variable K obéit à
une loi de poisson. On expérimente 8 appareils comportant le dispositif. Pour chaque appareil, on relève le
nombre de pannes dans un mois. On obtient les nombres suivants : 6, 3, 1, 3, 1, 4, 0, 2.
1) Estimer le paramètre λ de la loi de poisson. On construira l’estimateur par la méthode du

maximum de vraisemblance.
k p ( K ≤ k ) = 0,95.
2) Trouver une limite 0 de K telle que : 0
3) Peut-‐on admettre que pur le premier appareil une cause extérieure de panne soit intervenue
augmentant anormalement le nombre de pannes ?
4) Si on pense que l’échantillon est plus homogène en excluant le premier appareil, quelle est la
nouvelle estimation de λ ?
Exercice17 :
Dans une municipalité, on a effectué un sondage pour connaître l’opinion des contribuables sur un
nouveau règlement d’emprunt. D’une liste informatisée de 6000 payeurs de taxes, on a prélevé, par tirage
au sort, 150 noms. Sur ces 150 ; 45 étaient en faveur du nouveau règlement d’emprunt. Déterminer un
48

intervalle de confiance pour p, la proportion vraie de contribuables de cette municipalité qui sont en faveur
du nouveau règlement d’emprunt, avec un niveau de confiance de 90%, 95% et de 99%.
Exercice18 :
Le service des sports du collège veut estimer le pourcentage d’individus qui s’adonnent à une activité
physique. Sur une liste informatisée de 8000 individus inscrits au collège, on prélève, par tirage au sort, 400
individus. Sur ces 400 individus ; 180 s’adonnent à au moins une activité physique par semaine.
1) Quelle est, pour l’ensemble du collège, l’estimation ponctuelle de la proportion p des individus qui
s’adonnent à une activité physique ?
2) Quel est le taux de sondage ? est-‐ce nécessaire d’utiliser le facteur de correction pour le calcul de
l’écart-‐type de la proportion d’échantillon ?
3) Calculer l’intervalle de confiance associé à l’estimation de p ayant un niveau de confiance de 95%.
Vérifier également si les conditions d’application nécessaires à l’utilisation de la table de la loi
normale centrée réduite pour le calcul de l’intervalle sont satisfaites.
Exercice19 :
f
Dans un sondage portant sur 50 personnes, on a trouvé pour la fréquence n d’un caractère la valeur 0,25.
Déterminer un intervalle de confiance pour p, fréquence pour l’ensemble de la population, supposée très
nombreuse, avec un coefficient de confiance de 95%.
Exercice20 :
Une variable aléatoire X est distribuée normalement de moyenne µ et de variance 81. Un échantillon
aléatoire de taille n = 36 donne une moyenne de 250.

a) Quelle serait une estimation ponctuelle de µ ?
b) Donner deux propriétés de l’estimation employée.
c) Déterminer les limites de l’intervalle qui aurait 95 de chances sur 100 d’encadrer la vraie valeur de
µ .

Exercice21 :
On veut estimer, à l’aide d’un test d’aptitudes, le résultat moyen d’individus du lycée sigma voulant
s’orienter vers l’informatique. On suppose que les résultats à ce test d’aptitudes sont distribués
normalement. Un échantillon de 25 individus donne un résultat moyen de 192. De plus,
∑( x − X )
2
i = 9600
.

a) Calculer la variance des résultats de cet échantillon.
b) Entre quelles limites peut se situer le résultat moyen dans la population d’individus dont
l’échantillon a été prélevé ? Utiliser un niveau de confiance de 99%.
c) D’après la norme nationale, le résultat moyen à ce test d’aptitude est de 200. Peut-‐on affirmer,
sans trop se tromper, que les individus de ce lycée sont conformes à la norme nationale ?

49

Exercice22 :
Lors d’un récent sondage effectué auprès de la population étudiante du collège, on a observé que, sur un
échantillon de 700 personnes, 380 sont satisfaits de la qualité de la nourriture offerte à la cafétéria.

a) Quelle est la marge d’erreur de ce sondage, au niveau de confiance de 95% ?
b) Estimer, pour l’ensemble de la population étudiante, la proportion des personnes qui sont
satisfaites de la qualité de la nourriture offerte à la cafétéria avec un niveau de confiance de 95%.
Exercice23 :
L’entreprise TEMCA fabrique et alimente environ 40 % du marché international des séchoirs à cheveux.
Une nouvelle politique gouvernementale sur l’exportation de certains appareils électriques permettrait
d’introduire ce séchoir à cheveux sur un nouveau marché d’environ 1500000 consommateurs. Une étude
de marché révèle que sur un échantillon aléatoire de 2500 personnes interrogées, 800 seraient des
utilisateurs éventuels.

a) Calculer l’intervalle de confiance associé à l’estimation de la proportion des consommateurs
éventuels avec un niveau de confiance de 95 %.
b) Entre quelles limites peut situer le nombre de séchoirs à cheveux que l’entreprise TEMCA peut
espérer vendre sur ce nouveau marché ?

50

Polycope Echantillonnage

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

Polycope Echantillonnage

Transféré par

Droits d'auteur :

Formats disponibles

Echantillonnage

I-­‐ Notion de variables aléatoires

Le nombre de fois que Pile peut apparaître est 0, 1 ou 2.

1. Les caractéristiques d’une variable aléatoire discrète:

1.1 Loi de probabilité

1.2 Fonction de répartition

On appelle fonction de répartition, la fonction F définie par:

1.3 Espérance mathématique

E ( X ) = 0.1 + 0.4 + 0.9 + 1 + 0.5 = 2.9

2-­‐Les caractéristiques d’une variable aléatoire continue:

2.1 Fonction de densité de probabilité

2.2 Fonction de répartition

2.3 Espérance mathématique

On appelle écart type, la racine carrée de la variance.

II-­‐ Lois théoriques discrètes :

1. Loi de BERNOULLI

1. Il s’agit d’une loi binomiale de paramètres n = 5 et p = 0, 6.

p( X = 0) = C50 (0, 6)0 (0, 4)5 = 0, 0102.

p( X = 1) = C51 (0, 6)1 (0, 4) 4 = 0, 0614.

p( X = 2) = C52 (0, 6) 2 (0, 4)3 = 0, 2304.

3. Loi de POISSON

lorsque X prend les valeurs n ∈ • * avec les probabilités p ( X = n ) = (1 − p)n−1 p .

Un certain matériel a une probabilité p = 0, 02 constante de défaillance à chaque mise en service. On

p ( X = 10) = p(1 − p9 = (0,02)(0,98)9 = 0,0167.

N = effectif total de la population = 40

n = nombre d'individus prélevés sans remise = 4

X = H(40, 14, 4)

Il s’agit d’une loi hypergéométrique de paramètres N = 40 , n1 = 14 , n2 = 26 et n = 4 .

Soit X la variable hypergéométrique H(100,30,4).

La distribution de cette variable est telle que :

Nous obtenons la distribution suivante :

p( X = k ) = C4k (0,3) k (0, 7) 4−k

La distribution de probabilité sera :

On constate que la l’approximation est satisfaisante.

III-­‐ Lois théoriques continues :

1.2 Fonction de répartition de la loi normale

Si X suit une loi normale de paramètres m et σ , alors :

Pour une variable normale quelconque X de paramètres m et σ:

Entre 120 et 155kg

Plus de 185 kg

120 − 141 155 − 141

C’est-­‐à-­‐dire à peu près 1 colis.

2. Loi de KHI-­‐DEUX

valeur de la probabilité cumulée F (χ 2

2 Loi de STUDENT

3 Loi de FISCHER SNEDECOR

4 Théorème centrale limite

Désignons par X i (i=1 à 120) la somme à rembourser à chaque personne.

⎛ X − 120000 130000 − 120000 ⎞

Réponse : 10% ? 40 % ? 75 % ?

Sondage: Enquête incomplète, enquête partielle ou enquête par échantillonnage.

3.1 Echantillonnage probabiliste

3.1.1 Echantillonnage aléatoire simple

Maximise la possibilité de conclure pour toute la population

Base de sondage : liste préétablie des sujets

Liste des conducteurs

Liste des foyers

Liste des abonnés au téléphone

Le sondage permet de limiter la taille de l’investigation

3.1.2 Echantillonnage stratifié

Chaque famille définit une strate de la population

Tirage au sort des unités dans chaque strate

3.1.4 Echantillonnage systématique

I-‐ Notion de variables aléatoires

2-‐Les caractéristiques d’une variable aléatoire continue:

II-‐ Lois théoriques discrètes :

III-‐ Lois théoriques continues :

C’est-‐à-‐dire à peu près 1 colis.

2. Loi de KHI-‐DEUX

-‐ Questionnaires figurant dans les magasines et renvoyés spontanément

Est-‐ce que cette pièce est équilibrée?

A partir de données ( moyenne, variance, écart-‐type…) d’échantillons représentatifs, on va induire des

1.5 Inégalité de Cramer-‐Rao