Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses

Année universitaire 2020/20210

Pr SMOUNI Rachid

Royaume du Maroc
Ministère de l’Education Nationale,
de la Formation Professionnelle, de l’Enseignement
Supérieur et de la Recherche Scientifique
Secrétariat d’Etat Chargé de l’Enseignement Supérieur
et de la Recherche Scientifique

LICENCE FONDAMENTALE
SEMESTRE 3
ECHANTILLONNAGE ET ESTIMATION
ENSEMBLES 1 ET 2

COURS DE
ECHANTILLONNAGE ET ESTIMATION
SEANCES 1, 2

PLAN DE DES SEANCES 1 ET 2

LA THEORIE DE L’ECHANTILLONNAGE, LA THEORIE DE L’ESTIMATION ET LES TESTS D’HYPOTHESES

INTRODUCTION

AXE I : THEORIE DE L’ECHANTILLONNAGE

A- Définition et position du Problème de l’échantillonnage
1- Définitions
2- Position du problème
B- Approche théorique de la distribution d’échantillonnage de la moyenne « m »
1- Approche théorique
2- Exemples d’applications
C- Approche théorique de la distribution d’échantillonnage de la proportion «p»
1- Approche théorique
2- Exemples d’applications
3- Ce qu’il faut comprendre

1
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

INTRODUCTION

Ce support de cours constitue une introduction à l'étude des

modèles aléatoires simples. L'objectif est de fournir les outils
indispensables dans le domaine de la statistique inférentielle. En effet, les
notions telles que l’échantillonnage, l'estimation, la fiabilité, la précision, la
notion de risque, etc. sont fondamentales pour la compréhension des
données et résultats numériques que l’étudiant (ou le praticien) doit
analyser avant de prendre des décisions.

Cette partie du cours aborde les notions de la théorie de

l’échantillonnage, de la théorie de l’estimation des paramètres (estimation
ponctuelle, estimations par intervalle de confiances, comparaison
d'estimateurs), la théorie des tests, ainsi que le test de khi deux.

2
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

3
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

AXE I

THEORIE DE L’ECHANTILLONNAGE

A- Définition et position du Problème de l’échantillonnage

1- Définition
Pour étudier une population statistique, on a recours
généralement a deux méthodes :

- La méthode exhaustive (ou recensement) dont laquelle on

examine chacun des éléments de la population. Cette méthode est
jugée en général, trop longue et couteuse.

- La méthode des sondages dans laquelle on n’examine qu’une

partie de la population pour essayer d’en déduire des informations sur
la totalité de la population. Cette méthode comprend deux parties :
l’échantillonnage qui permet de passer de la population totale à une
partie seulement de cette population (l’échantillon). Par contre
l’estimation permet d’induire, à partir des résultats observés sur
l’échantillon, des informations sur la population totale.

Remarque :

 La population d'où provient un échantillon est appelée

population mère.
 Dans une population, on prélève des échantillons de taille
n;
la distribution des moyennes d'échantillons est la suite formée par
les moyennes des divers échantillons de taille n.
 Tirage exhaustif d’un individu : Tirage sans remise :
l’individu n’est pas remis dans la population après avoir été prélevé.
 Tirage non exhaustif d’un individu : Tirage avec remise.
Un individu peut être choisi plusieurs fois.
 Dans la plupart des cas où la population a un grand
effectif dont on tire une faible proportion d’éléments, on assimile un
tirage sans remise à un tirage avec remise.
2- Position du problème

4
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

On extrait d’une population, k échantillons aléatoires simples de

même taille ayant un effectif n. Sur chaque échantillon de même taille
n, on calcule les paramètres descriptifs tels que les moyennes x i , les
fréquences f i et les écarts types  x . i

Population
N, p, m et 

Echantillons
n, x i , f i ,  xi

B- Approche théorique de la distribution d’échantillonnage de la moyenne « m »

1- Approche théorique
Dans la population on définit une variable aléatoire X suivant une loi
normale d’espérance mathématique m et de variance  2 .

Les échantillons de taille n qui sont extraites de cette population ont pour
valeurs moyennes et pour écarts types respectivement :

x1 , x 2 , x3 ,....xi .

 𝜎𝑥̅1 , 𝜎𝑥̅2 , 𝜎𝑥̅3 , … 𝜎𝑥̅𝑖 .
Avec E ( X )  m et V ( X )   xi .

Telle que :

x1  x 2  ..  xi 1 n
X    xi .
n n i 1

1 n 1 n
1 n 1
E( X )  E( 
n i 1
x i )  E (
n i 1
 x i )  
n i 1
E ( xi )  n  m
n

5
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

→→D’où : E ( X )   x  m

→→ Et pour variance V ( x )   2.

1 n 1 n
1 n
1
V (X )  V ( 
n i 1
x i ) 
n2
V ( 
i 1
x i ) 
n2
V ( x )  n
i 1
i 2
n  2.

²
D’où : V ( X )   x 
2

n
On conclut alors que la distribution d’échantillonnage des moyennes est
E ( X )   x  m , l’écart type de cette distribution d’échantillonnage des moyennes est :


x  .
n
De plus, la loi de probabilité de la variable aléatoire X est une loi normale de paramètres

m et  x tel que N (m, ).
n

2- Exemple d’application 1:

Soit une population constituée de quatre éléments 1;2;3;4, on effectue

un tirage avec remise pour constituer des échantillons de taille n  2 .

La théorie de l’échantillonnage nous permet de constituer la distribution

d’échantillonnage des moyennes et des écarts types.

Les calculs des paramètres de la population nous donnent :

N  4, m  2,5, et   1,12 .

La distribution d’échantillonnage, les échantillons de 1 à 16 :

(1;1) (1;2) (1;3) (1;4)

(2;1) (2;2) (2;3) (2;4)
(3;1) (3;2) (3;3) (3;4)
(4;1) (4;2) (4;3) (4;4)

La distribution d’échantillonnage des moyennes de x1 à x16 :

6
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

(1) (1,5) (2) (2,5)

(1,5) (2) (2,5) (3)
(2) (2,5) (3) (3,5)
(2,5) (3) (3,5) (4)

1 16 x  x 2  ...x16 40
x  
16 i 1
xi  1
16

16
 2,5.

La distribution d’échantillonnage des écarts types de x à x

1 16
:

1
 x2  
n i
xi2  x 2

(1) (2,25) (4) (6,25)

(2,25) (4) (6,25) (9)
xi2 
(4) (6,25) (9) (12,25)
(6,25) (9) (12,25) (16)

1 110
 x2  
n i
xi2  x 2 
16
 (2,5) 2  0,625.

  x  0,79.

La théorie de l’échantillonnage nous permet de calculer directement les

paramètres tels que :

 x  m  2,5 .

 1,12
x    0,79 .
n 2
3- Exemple d’application 2 :

On mesure les diamètres de pièces mécaniques dans un lot très important

fabriqué par une même machine. Il apparaît que les valeurs observées suivent une
loi normale de moyenne, m = 20,06mm et d'écart type,  = 0,18mm.

On prélève au hasard dans ce lot des échantillons de 9 pièces.

7
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

Échantillon 1 Échantillon 2 Échantillon 3

Taille n = 9 Taille n = 9 Taille n = 9
Diamètre moyen : d1 Diamètre moyen : d2 Diamètre moyen : d3

1- Étudions la suite formée par les différents diamètres moyens (la distribution
d’échantillonnage des moyennes).

2- Quelle est la probabilité pour que la distribution d’échantillonnage des

diamètres moyens soit :

 inférieure ou égale à 19,9mm ?

 supérieure ou égale à 20,2mm ?
Elément de réponse :

La population mère est distribuée normalement.

Donc la distribution d’échantillonnage des moyennes des diamètres suivent une loi

normale de paramètre N (m; ).
n
0,18
Avec m  20,06 et l ' ecart type   0,06  N (20,06; 0,06).
9

1- En faisant appel aux caractéristiques de la loi normale centrée réduite ainsi

que sa table.
Xi  m 19,9  m
P( X i  19,9)  P(  )
 n  n
X i  20,06 19,9  20,06
P(  )  P(T  2,66)
0,06 0,06
 (2,66)  1  (2,66)  0,9961.

→ On est à 99,61% sûr que le diamètre de la pièce prélevée est inférieur ou

égale à 19,9mm.

2-

8
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

Xi  m 20,02  m
P( X i  20,02)  P(  )
 n  n
X i  20,06 20,02  20,06
P(  )  P(T  0,66)
0,06 0,06
 (0,66)  1  (0,66)  0,7454.

→ On est à 74,54% sûr que le diamètre de la pièce prélevée est supérieur ou

égale à 20,02mm.

C- Approche théorique de la distribution d’échantillonnage de la

proportion «p»

1- Approche théorique

Dans la population on définit une variable aléatoire X suivant une loi

normale

 d’espérance mathématique m.
 de variance  2 .
Soit cette population dans laquelle une proportion p d’individus
présentant une certaine propriété liée à cette variable aléatoire X.

Les échantillons de taille n qui sont extraites de cette population ont pour

valeurs moyennes les proportions suivantes : f1 , f 2 , f 3 ,.... f i .

pq
Avec E ( F )  p et V ( F )   F  . Telle que :
n

X
On construit la variable aléatoire F avec :
n
X 1 1
 Pour Espérance : E ( F )   F  E ( )  E ( X )  np  p
n n n
X 1 1 pq
 Et pour variance : V ( F )   F  V ( )  V ( X )  npq 
n n² n² n

X pq
La loi de probabilité d’une fréquence suit une loi normale N ( p, )
n n
2- Exemple d’application

9
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

Soit une population constituée de trois éléments 1;2;3, on effectue des tirages
avec remise pour constituer des échantillons de taille n  2 et possédant la
caractéristique (variable aléatoire) suivante : la proportion des éléments pairs.

La théorie de l’échantillonnage nous permet de constituer la distribution

d’échantillonnage des fréquences et les écarts types de ces fréquences.

Les calculs des paramètres de la population nous donnent :

1 1
N  3, p  , et   .
3 3
La distribution d’échantillonnage, les échantillons de 1 à 9 :

(1;1) (1;2) (1;3)

(2;1) (2;2) (2;3)
(3;1) (3;2) (3;3)

La distribution d’échantillonnage des fréquences de f1 à f 9 :

(0) (0,5) (0)

(0,5) (1) (0,5)
(0) (0,5) (0)

1 9 f  f 2  ... f 9 3 1
F  
9 i 1
fi  1
9
  .
9 3

La distribution d’échantillonnage des écarts types de f à f

1 9
:

1
Avec :  F2  
n i
fi2  f 2

(0) (0,25) (0)

 (0,25)
2
fi (1) (0,25)
(0) (0,25) (0)

10
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

1 2 1 2 2 1 1
 F2  
n i
fi2  f 2
 ( )   
9 3 9 9 9
1 1
F   .
9 3

La théorie de l’échantillonnage nous permet de calculer directement les

paramètres :

1
F  p  .
3

p(1  p)
F 
n
1 2

F  3 3  1.
2 3
3- Ce qu’il faut comprendre :

a- Loi de la Distribution d'échantillonnage des moyennes

Si l'on extrait, au hasard, des échantillons de taille n, d'une population
suivant une loi normale, de moyenne m et d'écart type, la distribution des

moyennes d'échantillons suit la loi normale N (m, ).
n

Propriétés et Notations :

 Population mère : moyenne m, écart-type  et la taille N

 Échantillons : taille n (n  30)
 Distribution d’échantillonnage des moyennes : X

Hypothèses Conclusion

- n négligeable devant la taille de

la population mère X suit la loi normale tel que
- Population infinie 
N ( m, )
- Echantillon avec remise (tirage n
non exhaustif TAR)

- n non négligeable devant N X suit la loi normale, tel que

- Echantillon sans remise

11
Support de cours : La théorie de l’Echantillonnage, la théorie de l’Estimation et les Tests d’hypothèses
Année universitaire 2020/20210
Pr SMOUNI Rachid

- Tirage exhaustif (TSR)  N n

N (m, )
n N 1

b- Loi Distribution d'échantillonnage des proportions

Propriété et Notations :

 Population mère : pourcentage p, Taille N

 Échantillons : taille n (n  30)
 Distribution d’échantillonnage des fréquences : F

Hypothèses Conclusion

- n négligeable devant la taille de la F suit la loi normale tel que

population mère
pq
- Population infinie N ( p, )
n
- échantillon avec remise (tirage non
exhaustif TAR)

- n non négligeable devant N F suit la loi normale tel que

pq N n
-Echantillon sans remise (tirage N ( p, )
exhaustif) - Tirage non exhaustif n N 1
(TAR)

12