Chap3- Echantillonnage

Mme sayadi ep Gargouri Imen

1
1-Définitions :
• Un échantillon de taille n est une liste d’individus (w1,w2,……,wn)
extraits de la population mère. C’est une partie de la population.
• On appelle échantillonnage le prélèvement d’échantillon et base
de sondage la liste exhaustive des individus de la population
mère.
n
• Taux d’échantillonnage : t =
N
avec N : effectif de la population et n : effectif de l’échantillon
• L’échantillonnage peut être avec ou sans remise.
• Il doit être représentatif de la population.
• L’échantillonnage peut être aléatoire ou raisonné :
-Un échantillonnage aléatoire est un prélèvement de n individus
dans une population de façon que toutes les combinaisons
possibles de n individus aient la même probabilité d’être
prélevées (exp échantillonnage aléatoire simple)
2
1-Définitions
- Echantillonnage aléatoire simple (que nous utiliserons dans
la suite du cours) consiste à prélever dans la population des
individus au hasard, sans remise, tous les individus ont la
même probabilité d’être prélevés et ils le sont
indépendamment les uns des autres.
-Par contre un échantillonnage est raisonné lorsqu’on impose
à l’échantillon d’avoir une structure particulière (exp une
structure identique à celle de la population mère pour un
certain nombre de facteurs c’est la méthode des quotas)

• Une fois l’échantillon sélectionné, on procède à l’estimation

qui consiste à induire à partir des résultats observés sur
l’échantillon des résultats concernant la population mère .
3
 2- Echantillonnage aléatoire simple :

Soit X une variable aléatoire associée à un caractère quantitatif

Soit X :  → IR
wi  xi / X suit un loi de probabilité L
la liste des valeurs ( x1 , x2 ,......, xn ) prises par X sur un échantillon
( w1 , w2 ,....., wn ) de  est appelé un n - échantillon des valeurs de X.
Soit X i : ( w1 , w2 ,....., wn )  xi
qui à tout échantillon de taille n fait correspondre la ième valeur prise par X
Toutes les X i ont la même loi de probabilité de X et sont indépendantes.
on appelle (X1 , X 2 ,....., X n ) un échantillon aléatoire simple ou un n - échantillon de X.
Un échantillon aléatoire simple est donc une suite (X1 , X 2 ,....., X n )de V.A
indépendantes et identiquement distribuées selon la même loi que X
4
 3-Caractéristiques d’un échantillon aléatoire simple:

a- Moyenne empirique:

Soit ( X 1 , X 2 ,....., X n ) un EAS issu d' une population de moyenne m

et de variance  2 .
1
La v.a X =
n
 Xi

1 1
E ( X ) = E (  X i ) = nm = m
n n
1 1  2
V ( X ) = V (  X i ) = 2 n 2 =
n n n

5
 b- Variance de l’échantillon :
Soit X 1 , X 2 ,......, X n un EAS d' une population de moyenne m et
de variance  2
1
La variance empirique de l' échantillon est : S =  ( X i − X ) 2
'2

n
La variance empirique corrigée de l' échantillon est :
1 n '2
S =
2

n −1
 (Xi − X ) =2

n −1
S

on verra dans la suite du cours que S2 fournit un estimateur sans biais de la

variance de la population  2
n −1 2
E (S ) =
'2
 (se démontre en développant  ( X i − X ) 2 )
n
n '2 n n n −1 2
E (S2 ) = E ( S )= E (S'2 ) =   = 2
n −1 n −1 n −1 n 6
 b- Variance de l’échantillon :
2( n − 1)
V (S ) =
'2
2
 4

n
2 4
V (S 2 ) =
n −1
4-Les distributions d’échantillonnage :
Nous avons défini une variable aléatoire comme étant une
description numérique du résultat d’une expérience. Si
nous considérons le processus de sélection d’un EAS
comme une expérience aléatoire, toute caractéristique de
l’échantillon par exp la moyenne est alors une V.A qui a
une espérance, une variance et une distribution de
probabilité qu’on appelle distribution d’échantillonnage.
7
4-Les distributions d’échantillonnage :
a- Distribution d’échantillonnage de X
• Cas d’une population normale:
Soit X1 , X 2 ,....., X n un EAS issu d' une population normale de moyenne m
et de variance  2 alors X est normalement distribuée de moyenne m et de
2
variance
n
2 n ( X - m)
X → N (m, ) alors X → N(m,
2
) ou → N (0,1)
n 
• Cas d’une population quelconque :

Soit X1 , X 2 ,......, X n un EAS de taille n assez grand (n  30) issu d' une
L population quelconque avec E(X) = m et V(X) =  2 , on alors recours
au théorème central limite pour déduire la distribution asymptomatique de X
n ( X − m)
Soit : ⎯⎯→
loi
N (0,1) lorsque n → + 8

 4-Les distributions d’échantillonnage :

b- Distribution d’échantillonnage de la variance empirique :

Soit X1 , X 2 ,....., X n un EAS d' une population X normale de moyenne m

et de variance  2 / X i → N (m,  2 ) alors :
nS'2
→  2
(n − 1)
 2

(n − 1) S 2
→  2
(n − 1)
 2

C- Distribution d’échantillonnage d’une proportion :

Supposons que dans la population mère la proportion des
individus qui possèdent un caractéristique donnée. Un EAS de
taille n est tiré de cette population.

9
4-Les distributions d’échantillonnage :

on note p la proportion d' échantillon

x
p=
n
avec x : le nombre d' éléments dans l' échantillon qui possède la
caractéristique à laquelle on s' intéresse et n la taille de l' échantillon.
p est une v.a qui a une espérance, une variance et une distribution de
probabilité est appelée distribution
d' échantillonnage de p.
p (1 − p )
E ( p ) = p et V( p ) =
n

10
 4-Les distributions d’échantillonnage :

Pour un EAS la valeur de x est une V.A binomiale indiquant le

nombre d’éléments dans l’échantillon possédant la
caractéristique à laquelle on s’intéresse.

x
n étant constante donc la probabilité de est la même que la probabilité
n
binomiale de x,
x → B(n, p) / E(x) = np ; V(x) = np(1 - p)
cette distribution peut être approchée par la loi normale si les conditions
d' approximation sont vérifiées (n  30, np  15, npq  5)
x loi p(1 - p)
x → N(np, np(1 - p)) d' où p = ⎯⎯→ N(p, )
n n

11