Académique Documents
Professionnel Documents
Culture Documents
Chapitre 2
Echantillonnage
Économ
ObjecPfs du chapitre
Ch. 2-3
Échantillon et population
!
Exemples (population):
Exemples (échantillon):
! 1000 électeurs choisis au hasard pour un sondage
! Quelques pièces choisies pour une expérience
Ch. 2-4
Population et échantillon
Population Échantillon
Ch. 2-6
Pourquoi un échantillonnage ?
Ch. 2-8
Échantillonnage systématique
Dans le cas d’un échantillonnage systématique:
Ch. 2-9
Échantillonnage systématique
Exemple:
Supposons que l’on désire constituer un échantillon de n=9
individus à partir d’une population de N = 72 individus.
j = N / n = 72 / 9 = 8
! Statistique descriptive
! Collecter, traiter, présenter et décrire des données
! Statistique inférentielle
! Établir des conclusions et/ou prendre des décisions au sujet
d’une population seulement à partir de l’information observée
auprès d’un échantillon tiré de cette population
Ch. 2-11
Statistique descriptive
! Collecte de données
! Ex.: Enquête
Ch. 2-12
Statistique Inférentielle
Échantillon Population
Ch. 2-13
Statistique Inférentielle
Établir des conclusions et/ou prendre des décisions au
sujet d’une population seulement à partir de l’information
observée auprès d’un échantillon
! Estimation
! Ex.: Estimer le poids moyen d’une
population à partir du poids moyen
de l’échantillon
! Test d’hypothèse
! Ex.: Utiliser l’évidence fournie par
l’échantillon pour tester l’énoncé
selon lequel le poids moyen de la
population est égal à 60 Kg
Ch. 2-14
Distribution d’échantillonnage
Ch. 2-15
Distribution d'échantillonnage
Distributions
empiriques
Ch. 2-16
Moyenne empirique
1 n
X = ∑ Xi
n i=1
Ch. 2-17
Écart-type de la moyenne
! Différents échantillons de même taille tirés de la même
population vont conduire à des valeurs différentes pour la
moyenne d’échantillon
! Une mesure de la variabilité des valeurs de la moyenne
d’échantillon d’un échantillon à un autre est donnée par
l’erreur-type de la moyenne:
σ
σX =
n
! Noter que l’erreur-type de la moyenne diminue lorsque la
taille d’échantillon augmente, pour une variance de
population donnée
Ch. 2-18
Détermination d’une distribution
d’échantillonnage
Statistiques descriptives pour la distribution d’échantillonnage:
E(X) =
∑ X
=
18 + 19 + 21+ + 24
i
= 21 = µ
N 16
σX =
∑ ( X i − µ)2
N
(18 - 21)2 + (19 - 21)2 + + (24 - 21)2
= = 1.58
16
Ch. 2-19
Si les observations ne sont
pas indépendantes
! Si la taille n de l’échantillon n’est pas une petite fraction de
la taille N de la population, alors les individus de
l’échantillon ne sont pas distribués indépendamment les
uns des autres.
! Donc, de tels individus n’ont pas été sélectionnés de façon
indépendante
! Une correction pour petite population est faite pour tenir
compte de la non-indépendance:
σ2 N − n σ N−n
Var(X) = ou σX =
n N −1 n N −1
La quantité (N – n)/(N – 1) est souvent appelée facteur de correction
de petite population
Ch. 2-20
Si la population est normale
σ
µX = µ et
σX =
n
! Si la taille de l’échantillon n n’est pas petite par rapport à la taille de la
population N, alors:
σ N−n
µX = µ σX =
et
n N −1
Ch. 2-21
Distribution normale standard de la
moyenne empirique
Distribution de
µ x
( x est un estimateur Distribution empirique
sans biais de µ ) normale
σ
σx = Distribution de
n population normale
µ x
Distribution empirique
normale
taille d’échantillon
plus petite
µ x
Ch. 2-25
Théorème de la limite centrale
Ch. 2-26
Théorème de la limite centrale
X − µX ⎛ X −µ ⎞
Z= = n⎜ ⎟
σX ⎝ σ ⎠
approche une distribution normale standard
Ch. 2-27
Théorème de la limite centrale
Lorsque n↑ La distribution
la taille de de la moyenne
empirique
l’échantill
devient presque
on devient
normale, peu
suffisamm importe la forme
ent de la distribution
grande… de population
x
Ch. 2-28
Si la population n’est pas normale
Distribution de population
Propriétés des
distributions empiriques:
Tendance centrale
µx = µ
µ x
Dispersion Distribution empirique
σ (devient normale lorsque n augmente)
σx = Plus
n Plus petite
taille
grande
taille
µx x
Ch. 2-29
‘‘Suffisamment grand’’, c’est quand?
Ch. 2-30
Exemple
Ch. 2-31
Exemple
Solution:
! Même si la population n’a pas une distribution
normale, le théorème de la limite centrale peut
être appliquée (n > 25)
! … donc, la distribution empirique de x est
approximativement normale
! … de moyenne µx = 8
σ 3
! …et d’écart-type σx = = = 0.5
n 36
Ch. 2-32
Exemple
Solution (suite):
⎛ ⎞
⎜ 7.8-8 X-µ 8.2-8 ⎟
P(7.8 < X < 8.2) = P⎜ < < ⎟
⎜ 3 σ 3 ⎟
⎝ 36 n 36 ⎠
= P(-0.4 < Z < 0.4) = 0.3108
Distributions
empiriques
Ch. 2-34
Distributions empiriques de
proportions d’échantillon
! 0 ≤ p̂ ≤ 1
! p̂ a une distribution binomiale, mais qui peut être approchée
par une distribution normale lorsque:
! nP(1 – P) > 5
Ch. 2-35
^
Distribution empirique de p
! Approximation normale:
Distribution empirique
P(Pˆ )
.3
.2
.1
0
0 .2 .4 .6 8 1 P̂
Propriétés:
et
P(1− P)
E(pˆ ) = P σpˆ =
n
(où P = proportion au sein de la population)
Ch. 2-36
Valeur Z pour des proportions
pˆ − P pˆ − P
Z= =
σ pˆ P(1− P)
n
Ch. 2-38
Exemple
" si P = 0.4 et n = 200, calculer
P(0.40 ≤ p̂ ≤ 0.45)
.4251
Standardiser
Ch. 2-40
Distributions d’échantillonnage de
la variance empirique
Distributions
empiriques
Ch. 2-41
Variance empirique
! Soit (x1, x2, . . . , xn) un échantillon aléatoire tiré d’une
population. La variance échantionnale est:
n
1
s =
2
∑
n − 1 i=1
(xi − x) 2
E[s2 ] = σ 2
n −1
Ch. 2-43
Distribution du Chi-carré pour la
variance et la variance empirique
2
(n - 1)s
χ 2
n−1 = 2
σ
Ch. 2-44
Degrés de liberté (d.l.)
Idée: Nombre d’observations qui peuvent varier librement
après le calcul de la moyenne de l’échantillon
Si la moyenne de ces 3
si X1 = 7 valeurs est 8.0, alors X3 doit
X2 = 8 être égal à 9
c’est quoi X3? (soit, X3 ne peut pas varier
librement)
ici, n = 3, alors les degrés de libertés = n – 1 = 3 – 1 = 2
(2 des 3 valeurs peuvent être n’importe quel nombre, mais le
troisième ne peut pas varier librement pour une moyenne
donnée) Ch. 4-45
Chi-carré: exemple
! Un congélateur commercial doit garder une certaine tempé-
rature avec de faible variation. Les spécifications précisent
que l’écart-type des variations de la température ne doit pas
dépasser 4 degrés (une variance de 16 degrés2).
" On désire tester un échantillon de 14
congélateurs
" Quelle est la limite supérieure (K) de
la variance échantillonnale telle que
la probabilité d’excéder cette limite,
étant donné que l’écart-type de la
population est égal à 4, soit plus
petite que 0.05?
Ch. 4-46
Calcul de la valeur du Chi-carré
(n − 1)s 2
a une distribution du chi-carré avec (n
χ2 = 2 – 1) = 13 degrés de liberté
σ
! Utiliser une distribution du chi-carré, une aire de
0.05 dans la partie supérieure de la distribution
probabilité
α = .05
χ213
χ213 = 22.36 Ch. 4-47
Chi-carré: exemple
Donc: ⎛ 2 (n − 1)K ⎞
P(s > K) = P ⎜ χ13 >
2
⎟ = 0.05
⎝ 16 ⎠
(n − 1)K
ou = 22.36 (où n = 14)
16
donc K =
(22.36)(16)
= 27.52
(14 − 1)