1.

1 - Exemple et modélisation

On veut faire un inventaire des couples de moineaux sur le campus de l’université de

Lomé. Ceci est sujet intéressant qui appel à beaucoup de connaissance en dehors de la
statistique. Tu dois pouvoir savoir les moineaux sont polygames ou bien monogames. Tu
dois aussi pouvoir spécifier ta variable d’intérêt, ou l’instrumentaliser. Une manière de
faire est de se dire que s’il y a un nid c’est qu’il y a un couple. Un simple comptage des
nids te permet d’avoir une idée du nombre de couples. Ensuite puis que tu ne peux pas
faire l’inventaire sur toute la superficie, il va falloir définir un échantillon. Je divise
alors l’espace à étudier en parcelles (les valeurs en gras dans les angles). Puis après, je
tire de manière aléatoire 2 parcelles sur lesquelles je vais faire l’inventaire et extrapoler
les résultats sur tout l’espace. Une étude préalable a montré les nids sont repartis dans
l’espace comme l’indique le tableau (les valeurs au milieu des parcelles).

Distribution de la population de paires d’oiseaux distribuées dans un site qu’on peut subdiviser en 6 parcelles
comme l’indique le schéma ci-dessous

1 2 3
,
0 0 1

4 5 6

1 2 5

La moyenne de la population µ =(0+0+1+1+2+5)/5 = 1,5

La variance de la population σ 2= (02+02+12+12+22+52)/4 = 3.5

Supposons maintenant que nous voulions procéder par échantillonnage pour estimer les
paramètres de cette population (faire l’inventaire des oiseaux dans deux parcelles choisies au
hasard. Le tableau ci-contre indique toutes les éventualités possibles.

Distributio ou Distributio
les couples de Prob des échantillons n Observatio n de
parcelles possibles éventualités possibles statistique n probabilité
1,2 1/15 0 et 0 0.0 0.0 1/15
1,3 1/15 0 et 1 0.5 0.5 4/15
1,4 1/15 0 et 1 0.5 1.0 3/15
1,5 1/15 0 et 2 1.0 1.5 2/15
1,6 1/15 0 et 5 2.5 2.5 2/15
2,3 1/15 0 et 1 0.5 3.0 2/15
2,4 1/15 0 et 1 0.5 3.5 1/15
2,5 1/15 0 et 2 1.0
2,6 1/15 0 et 5 2.5
3,4 1/15 1 et 1 1.0
3,5 1/15 1 et 2 1.5
3,6 1/15 1 et 5 3.0
4,5 1/15 1 et 2 1.5
4,6 1/15 1 et 5 3.0
 5,6 1/15 2 et 5 3.5
Distribution des moyennes (probabilité) statistiques

Notations

μx = moyenne de la distribution statistique

2
σ x = variance de la distribution statistique

Constats
Pour toute population, (non nécessairement normale)

1) -
μx μ μ = où est moyenne de population
2
σ
σ
2 2

2) - x= n où
σ est la variance de population

Si la population originale a une distribution normale donc,

x −μ x −μ
σ
3) - Z =
σx = √n Rappel que Z est standard normale.

Quelques remarques importantes

1) La distribution de la moyenne statistique est centrée à

μ , la moyenne de la
population
2) La variabilité de la distribution statistique x̄ diminue lorsque la taille de l’échantillon
augmente
3) Si la population originale est normale, on peut se servir de la table la normale standard

pour obtenir les probabilité, quartile et percentiles pour la distribution de x̄ , Ce qui

σ
2

implique que x̄ is N( μ, )

1.2 - Le théorème de Central limit

1.2.1 - Considérations Générales

Auparavant, nous avions annoncé que
 x −μ x −μ
σ
Z=
σx = √n où Z est approximativement une normale standard.

σ
2
μ et sont respectivement la moyenne et la variance d’une population à distribution
normale

Comment faire si la distribution originale n’est pas normale ? La question est de savoir le
degré d’approximation.
 Si la distribution de la population est symétrique, n¿ 15 peut donner lieu à une
analyse satisfaisante
 Si la distribution n’est pas symétrique, n¿ 30. Généralement plus de 100
observations sont recommandées pour ùéchantillon

1.2.2 Le Théorème de Central limitet les proportions

Soit :
le nombre n d’individus impliqués dans l’expérience,
π , le de succès considéré

1) La distribution binomiale est proche de la normale si la taille de l’échantillon est

grande et si π , le succès voisin de 0.5
2) La distribution de x est loin de la normale’ si π est voisin soit de 0 ou de 1, à
moinsque la taille de l’échantillon soit suffisamment grande.

Si p est la population des succès dans un échantillon aléatoire de taille n prélevé à partir d’une
population où P(succès) = π , donc :

.* μ p =π

σ
2 π ( 1−π )
* p= n
* l’équation de conversion à la normale standard Z
ρ− π

Z= √ π (1− π )
n où Z N(0,1)

1.2.3 - Preuve mathématique

a) Distribution des de la moyenne statistique x
Ceci ne peut se faire qu’à partir de l’espérance mathématique E( x )

x=
1
n
∑ xi

[ ∑x]
n n

E( x ) = E
1
n i =
1 ∑ xi
n i =1
i=1
 E( x ) = m , la moyenne de population.

b) Distribution de la variance statistique

[ ]
2 n

σ ∑ xi x ) = σn
n 2
1 1
x = var n = n2 ∑ var ( i
i=1 i=1