Chapter 8

Échantillonnage et distributions d'échantillonnage

OBJECTIFS D'APPRENTISSAGE

Après avoir étudié ce chapitre, vous devriez être capable de

faire la distinction entre le paramètre de population et l'échantillon

statistiques
appliquer le théorème central limite
connaître diverses procédures d'échantillonnage qui fournissent un
moyens attrayants d'apprendre sur une population ou un processus.
développer le concept d'une distribution d'échantillonnage qui vous aide
comprendre les méthodes et la réflexion sous-jacente de la statistique
inférence.

Par un petit échantillon, nous pouvons juger de l'ensemble de la pièce.

—Cervantes

Neuf fois sur dix, dans les arts comme dans la vie, il n'y a en fait aucune vérité à être
découvert ; il n'y a qu'une erreur à exposer.

—H. L. Mencken

8.1 INTRODUCTION

Jusqu'à présent, nous avons introduit certaines méthodes statistiques (Chapitres

2à5analyser des données
ensemble et les concepts de probabilité et de ses distributionsChapitres 6et7) à
augmenter notre connaissance des caractéristiques inconnues d'une population ou
un processus. Dans l'inférence statistique, nous utilisons un échantillon ou des échantillons aléatoires pour extraire

information about the population from which it is drawn. The information we

L'extrait est sous la forme de statistiques résumées : une moyenne d'échantillon, un écart-type d'échantillon
écart ou d'autres mesures calculées à partir de l'échantillon. Les statistiques d'échantillon sont
considéré comme un estimateur des paramètres de population – μ, σ, p, etc.

L'échantillonnageLe processus de sélection d'un échantillon dans une population s'appelle l'échantillonnage.
Dans l'échantillonnage, un échantillon ou une proportion représentative des éléments d'une population ou
le processus est sélectionné puis analysé. Basé sur les résultats d'échantillons, appelés échantillon
Des statistiques, des inférences statistiques sont faites sur les caractéristiques de la population. Pour
Par exemple, un analyste politique sélectionne un ensemble spécifique ou aléatoire de personnes pour des interviews afin de
estimer la proportion des votes que chaque candidat pourrait obtenir de la
population d'électeurs ; un auditeur sélectionne un échantillon de bons et calcule le
moyenne d'échantillon pour estimer le montant moyen de la population ; ou un médecin examine quelques
gouttes de sang pour tirer des conclusions sur la nature de la maladie ou la constitution sanguine
du corps entier.

8.2 RAISONS D'ENQUÊTE PAR ÉCHANTILLON

Un recensement est un comptage de tous les éléments d'une population. Quelques exemples de recensements sont :
population d'électeurs éligibles ; recensement des préférences des consommateurs pour un produit particulier,
les habitudes d'achat des adultes indiens. Certaines des raisons de préférer un sondage par échantillon à la place
des recensements sont donnés ci-dessous.

1. Mouvement de la population Élément La population de poissons, d'oiseaux, de serpents, de moustiques,

etc. sont grands et se déplacent constamment, naissant et mourant. Donc, au lieu de tenter
pour compter tous les éléments de telles populations, il est souhaitable de faire des estimations en utilisant
des techniques telles que le comptage des oiseaux à un endroit choisi au hasard, le placement de filets à
lieux prédéterminés, etc.
2. Coût et/ou temps nécessaire pour contacter l'ensemble de la population Temps nécessaire pour
contacter l'ensemble de la population. Un recensement implique un dénombrement complet de chaque individu
membre de la population d'intérêt, tel que des personnes dans un état, des ménages dans une ville,
magasins dans une ville, étudiants dans un collège, etc. En dehors du coût et de la grande quantité
des ressources (telles que des enquêteurs, de l'assistance administrative, etc.) qui sont nécessaires, le principal
le problème est le temps nécessaire pour traiter les données. Ainsi, les résultats ne sont connus qu'après un long délai.
écart de temps.
3. Nature destructive de certains tests Le recensement devient extrêmement difficile, sinon
impossible, lorsque la population d'intérêt est soit infinie en termes de taille (nombre) ;
constamment en changement ; dans un état de mouvement ; ou les résultats d'observation nécessitent la destruction.
Par exemple, il est parfois nécessaire de tester la résistance de certains articles fabriqués par
appliquer une contrainte jusqu'à ce que l'unité casse. Le montant de la contrainte qui entraîne la rupture est le
la valeur de l'observation qui est enregistrée. Si cette procédure est appliquée à un ensemble complet
population, il ne resterait rien. Ce type de test s'appelle le test destructif.
et exige qu'un échantillon soit utilisé dans de tels cas.

8.3 TYPES DE BIAIS PENDANT L'ENQUÊTE D'ÉCHANTILLON

Toutes les enquêtes ne produisent pas des résultats fiables. Les résultats basés sur une enquête
sont biaisés lorsque la méthode utilisée pour obtenir ces résultats produirait de manière cohérente
valeurs qui sont soit trop élevées, soit trop basses. Voici les types de biais courants
qui pourrait survenir dans les sondages :

[Link] de sous-couverture Ce biais se produit lorsqu'un échantillon aléatoire choisi ne

représentent la population d'intérêt. Par exemple, les passagers dans une gare sont
interrogés pour déterminer l'attitude envers l'achat de billets de station, les résultats ne sont pas susceptibles de
représenter tous les passagers dans les gares.
 [Link] de non-réponse Ce biais se produit lorsque seul un petit nombre de répondants répondent.
ou retourner leur questionnaire. Les résultats de l'échantillon seraient biaisés car seuls ceux
Les répondants qui étaient particulièrement préoccupés par le sujet ont choisi de répondre.
3. Biais de formulation Ce biais se produit lorsque les répondants répondent différemment de la façon dont ils
réellement ressentir. Cela peut être dû au fait que le questionnaire contient des questions qui
tendent à troubler les répondants. Par exemple, des questions pour l'enquête sur l'utilisation de
drogue, paiement de l'impôt sur le revenu, comportement abusif, etc. doit être formulé et conduit
avec soin pour minimiser le biais de réponse.

8.3.1 Erreurs d'échantillonnage et erreurs non d'échantillonnage

Erreur d'échantillonnage La valeur absolue de la différence entre un

estimation non biaisée et le paramètre de population correspondant, tel que
comme etc.
Toute inférence statistique basée sur les résultats d'échantillon (statistiques) peut ne pas toujours être
correct, car les résultats d'échantillons reposent soit sur une analyse partielle soit sur une analyse incomplète de
les caractéristiques de la population. Cette erreur est appelée
l'erreur d'échantillonnage car chaque échantillon pris peut produire une estimation différente
des caractéristiques de la population comparées à ces résultats qui auraient été
obtenue par une énumération complète de la population. Il est donc nécessaire de
mesurez ces erreurs afin d'avoir une idée exacte de la fiabilité de l'échantillon
estimations basées sur les caractéristiques de la population. La probabilité qu'une erreur d'échantillonnage dépasse
toute magnitude spécifiée doit toujours être exprimée en termes d'une valeur de probabilité, disons
5 %. Cette marge d'erreur acceptable est ensuite utilisée pour produire une confiance dans le
décideur pour parvenir à certaines conclusions avec les données limitées à sa disposition.
En général, dans le contexte des affaires, les décideurs souhaitent être à 95 pour cent ou plus
confiant que l'éventail des valeurs des résultats d'échantillons reflète la véritable caractéristique de
la population ou le processus d'intérêt.
Les erreurs non liées à l'échantillonnage surviennent lors des recensements ainsi que des enquêtes par échantillonnage en raison de biais.
et des erreurs telles que (i) énumération incorrecte des membres de la population, (ii) non-
sélection aléatoire d'échantillons, (iii) utilisation de questionnaires incomplets, vagues ou défectueux
pour la collecte de données, ou (iv) une mauvaise édition, codage et présentation des réponses
reçus par le biais du questionnaire. Les erreurs d'échantillonnage peuvent être minimisées si (i) le
le questionnaire contient des questions précises et sans ambiguïté, (ii) le questionnaire est
administré avec soin, (iii) les intervieweurs reçoivent une formation adéquate, et (iv) le
les réponses sont correctement traitées.

Figure 8.1 Mesure de l'erreur d'échantillonnage

Mesure de l'erreur d'échantillonnageUne mesure de l'erreur d'échantillonnage est fournie par
l'erreur standard de l'estimation. L'estimation de l'erreur d'échantillonnage peut réduire le
élément d'incertitude associé à l'interprétation des données. Dans la plupart des cas, le
degree of precision or the level of error, would depend on the size of the sample.

L'erreur standard d'estimation est inversement proportionnelle à la racine carrée de la

taille de l'échantillon. En d'autres termes, à mesure que la taille de l'échantillon augmente, l'élément d'erreur est

ré[Link] 8.1illustre ce concept.

8.4 PARAMÈTRES DE POPULATION ET STATISTIQUES D'ÉCHANTILLON

Paramètres Une mesure (ou valeur) exacte, mais généralement inconnue, qui décrit
l'ensemble de la population ou des caractéristiques du processus est appelé un paramètre. Par exemple,
des quantités telles que la moyenne μ, la variance
2 σ, l'écart type σ, la médiane, le mode, et
Les proportions calculées à partir d'un ensemble de données (également appelées population) sont appelées
paramètres. Un paramètre est généralement désigné par des lettres de l'alphabet grec en minuscules.
alphabets, tels que la moyenne μ et l'écart type σ.
Statistiques d'échantillon Une mesure (ou valeur) trouvée en analysant des données d'échantillon dans
appelé un échantillon statistique ou simplement une statistique. Les méthodes statistiques inférentielles tentent
estimer les paramètres de population en utilisant des statistiques d'échantillon. Les statistiques d'échantillon sont
généralement désigné par des lettres romaines telles que la moyenne, les écarts-types,
variances et
2
proportions.

The value of every statistic varies randomly from one sample to another whereas the
la valeur d'un paramètre est considérée comme constante. La valeur pour la statistique calculée à partir de
tout échantillon dépend de l'échantillon aléatoire particulier tiré d'une population.
Ainsi, des probabilités sont attribuées aux résultats possibles afin d'évaluer la fiabilité
ou une erreur d'échantillon associée à une inférence statistique sur une population basée sur un
é[Link] 8.2montre les relations d'estimation entre les statistiques d'échantillon et
les paramètres de population.

Figure 8.2 Estimation de la relation entre les mesures d'échantillon et de population

Statistique d'échantillonUne mesure d'échantillon, telle que la moyenne, l'écart-type
écart, s, proportion, et ainsi de suite.

8.5 PRINCIPES D'ÉCHANTILLONNAGE

Les principes suivants sont deux principes importants qui déterminent la possibilité de
arriver à une inférence statistique valide sur les caractéristiques d'une population ou d'un processus :

1. Principe de régularité statistique

2. Principle of inertia of large numbers

8.5.1 Principe de régularité statistique

Ce principe est basé sur la théorie mathématique des probabilités. Selon King,
La loi de la régularité statistique stipule qu'un nombre modérément grand de
items chosen at random from a large group are almost sure on the average to
traiter la caractéristique du grand groupe. Ce principe met l'accent sur deux
factors:
1. La taille de l'échantillon doit être grande. À mesure que la taille de l'échantillon augmente, elle devient plus et

plus représentatif de la population parentale et montre ses caractéristiques. Cependant, dans

dans la pratique actuelle, les grands échantillons sont plus coûteux. Ainsi, un équilibre doit être maintenu
entre la taille de l'échantillon, le degré de précision souhaité et les ressources financières disponibles.
2.L'échantillon doit être tiré au hasard. L'échantillon aléatoire est celui dans lequel
les éléments de la population sont tirés de manière à ce que chaque combinaison d'éléments
a une probabilité égale d'être sélectionné dans l'échantillon. Lorsque le terme échantillon aléatoire est
utilisé sans aucune spécification, il fait généralement référence à un échantillon aléatoire simple. La sélection
des échantillons basés sur ce principe peuvent réduire la quantité d'efforts nécessaires pour arriver à
une conclusion sur les caractéristiques d'une grande population. Par exemple, pour comprendre
l'habitude d'achat de livres des étudiants dans une université, au lieu d'aborder chaque étudiant, il est
facile de parler à un groupe d'étudiants sélectionnés au hasard pour tirer une inférence sur tous
étudiants dans le collège.

8.5.2 Principe d'inertie des grands nombres

Ce principe est un corollaire du principe de régularité statistique et joue un

rôle significatif dans la théorie de l'échantillonnage. Ce principe stipule que, dans des conditions similaires
conditions, à mesure que la taille de l'échantillon (nombre d'observations dans un échantillon) devient grande
suffisamment, l'inférence statistique est susceptible d'être plus précise et stable. Pour
par exemple, si une pièce est lancée un grand nombre de fois, alors la fréquence relative de
L'occurrence des faces et des piles est censée être égale.

8.6 MÉTHODES D'ÉCHANTILLONNAGE

Comme mentionné ci-dessus, les méthodes d'échantillonnage par rapport au recensement offrent un attrait.
moyens d'apprendre sur une population ou un processus en termes de réduction des coûts, du temps et
une plus grande précision. La base de représentation et les techniques de sélection d'éléments
À partir de la population donnée, classifiez plusieurs méthodes d'échantillonnage en deux catégories.
montré dansTabel 8.1.

Tableau 8.1 : Types de méthodes d'échantillonnage

8.6.1 Méthodes d'échantillonnage probabiliste

Plusieurs méthodes d'échantillonnage probabiliste pour sélectionner des échantillons d'une population ou
les processus sont les suivants :

Échantillonnage aléatoire simple (sans restriction) Dans cette méthode, chaque membre (ou
élément) de la population a une chance égale et indépendante d'être sélectionné
encore et encore quand un échantillon est prélevé dans la population. Pour tirer un échantillon aléatoire
exemple, nous avons besoin d'une liste complète de tous les éléments de la population d'intérêt afin que
Chaque élément peut être identifié par un numéro distinct. Une telle liste est appelée cadre pour
expérience. Le cadre de l'expérience nous permet de tirer des éléments du
population en générant aléatoirement les numéros des éléments à inclure dans
l'échantillon.

Par exemple, en tirant un échantillon aléatoire de 50 étudiants d'une population de

3500 étudiants dans un collège, nous faisons une liste de tous les 3500 étudiants et en assignons un à chacun.
étudiant un numéro d'identification. Cela nous donne une liste de 3500 numéros, appelée trame
pour l'expérience. Ensuite, nous générons par ordinateur ou par d'autres moyens un ensemble de 50 aléatoires
nombres dans la plage de valeurs de 1 à 3500. La procédure donne chaque ensemble de 50
les étudiants de la population ont une chance égale d'être inclus dans l'échantillon.
Sélectionner un échantillon aléatoire est analogue à utiliser un dispositif de jeu pour générer
nombres de cette liste.
Cette méthode est adaptée pour l'échantillonnage, car de nombreux tests statistiques supposent l'indépendance.
des éléments d'échantillon. Un inconvénient de cette méthode est que tous les éléments de la
la population doit être disponible pour la sélection, ce qui est souvent impossible.

Échantillonnage stratifiéCette méthode est utile lorsque la population se compose d'un

nombre de sous-populations hétérogènes et les éléments à l'intérieur d'un donné
les sous-populations sont relativement homogènes par rapport à la population dans son ensemble.
Ainsi, la population est divisée en groupes mutuellement exclusifs appelés strates qui sont
pertinent, approprié et significatif dans le contexte de l'étude. Un échantillonnage aléatoire simple
Un échantillon, appelé sous-échantillon, est ensuite prélevé de chaque strate ou groupe, en proportion
ou une non-proportion par rapport à sa taille. Comme son nom l'indique, un échantillonnage proportionnel
la procédure exige que le nombre d'éléments dans chaque strate soit le même
proportion comme dans la population. Dans une procédure non proportionnelle, le nombre de
les éléments de chaque strate sont disproportionnés par rapport aux nombres respectifs dans le
population. La base de formation des strates telles que l'emplacement, l'âge, le type d'industrie,
les ventes brutes, ou le nombre d'employés, relèvent de la discrétion de l'enquêteur.
Les échantillons de strates individuelles sont combinés en un seul pour obtenir un échantillon global pour
analyse.
Cette procédure d'échantillonnage est plus efficace que l'échantillonnage aléatoire simple.
procédure parce que, pour la même taille d'échantillon, nous obtenons plus de représentativité de
chaque segment important de la population et obtenir des informations plus précieuses et
informations différenciées par rapport à chaque strate. Par exemple, si le président
d'une entreprise s'inquiète de faibles niveaux de motivation ou d'un taux d'absence élevé
parmi les employés, il est logique de stratifier la population organisationnelle
membres selon leurs niveaux de poste. Supposons que les 750 employés ont été divisés
en six strates comme indiqué dansTableau 8.2Laissez 100 employés être sélectionnés pour l'étude.
le nombre à sélectionner dans chaque strate est indiqué dansTableau 8.2

Tableau 8.2 : Échantillons aléatoires stratifiés proportionnels et disproportionnés

Lorsque les données sont collectées et l'analyse terminée, il est probable que les membres
d'un groupe particulier se révèle être démotivé. Cette information aidera à
agir au bon niveau et réfléchir à de meilleures façons de motiver ce groupe
des membres qui autrement n'auraient pas été possibles.
Des décisions d'échantillonnage disproportionnées sont prises lorsque des strates sont soit trop
petit, trop grand, ou lorsque l'on soupçonne plus de variabilité dans un cas particulier
stratum. Par exemple, les niveaux d'éducation dans un stratum particulier pourraient être attendus
pour influencer les perceptions, afin que plus de personnes soient échantillonnées à ce niveau.
L'échantillonnage disproportionné est effectué lorsqu'il est plus facile et moins coûteux de collecter.
des données d'un ou plusieurs strates plutôt que d'autres.

Pour que cette méthode d'échantillonnage soit plus efficace en termes de fiabilité, d'efficacité,
et précision, toute stratification devrait être faite qui garantit

1. uniformité maximale entre les membres de chaque strate,

2. le plus grand degré de variabilité entre les différents strates.

Échantillonnage par grappesCette méthode, parfois connue sous le nom de méthode d'échantillonnage par zone, a
a été conçu pour répondre au problème des coûts ou des cadres d'échantillonnage inadéquats (un
liste complète de tous les éléments de la population afin que chaque membre puisse être
identifié par un numéro distinct). L'ensemble de la population à analyser est divisé en
groupes ou morceaux plus petits d'éléments et un échantillon du nombre souhaité de zones
sélectionnés par une méthode d'échantillonnage aléatoire simple. De tels groupes sont appelés des clusters.
Les éléments d'un cluster sont appelés unités élémentaires. Ces clusters n'ont pas
une grande hétérogénéité parmi les éléments. Un ménage où des individus vivent
ensemble est un exemple d'un groupe.

Si plusieurs groupes avec hétérogénéité intra-groupe et homogénéité inter-groupe sont

trouvé, alors un échantillonnage aléatoire des clusters ou groupes peut être effectué avec
informations recueillies à partir de chacun des éléments des clusters choisis au hasard.
Les échantillons en grappes offrent plus d'hétérogénéité au sein des groupes et plus d'homogénéité.
parmi les groupes—l'inverse de ce que nous trouvons dans l'échantillonnage aléatoire stratifié, où
il y a homogénéité au sein de chaque groupe et hétérogénéité entre les groupes.

Par exemple, des comités formés de différents départements dans une organisation pour
offrir des suggestions pour prendre des décisions sur le développement de produits, les allocations budgétaires
les stratégies marketing, etc. sont des exemples de différents clusters. Chacun de ces clusters ou
les groupes contiennent une collection hétérogène de membres avec des intérêts différents,
orientations, valeurs, philosophie et intérêts personnels. Basé sur les individus et
En combinant les perceptions, il est possible de prendre une décision finale sur les mouvements stratégiques pour le
organisation.
En résumé, l'échantillonnage par grappes consiste à préparer seulement une liste de grappes au lieu d'un
liste d'éléments individuels. Par exemples, (i) les blocs résidentiels (colonies) sont
couramment utilisé pour regrouper dans des enquêtes qui nécessitent des interviews porte-à-porte, (ii)
les compagnies aériennes sélectionnent parfois au hasard un ensemble de vols pour distribuer des questionnaires
Chaque passager de ces vols pour mesurer la satisfaction des clients. Dans cette situation,
chaque vol est un cluster. Il est beaucoup plus facile pour la compagnie aérienne de choisir un échantillon aléatoire de
vols que d'identifier et de localiser un échantillon aléatoire de passagers individuels pour
distribuer le questionnaire.
Échantillonnage en plusieurs étapes Cette méthode d'échantillonnage est utile lorsque la population est
très largement répandu et un échantillonnage aléatoire n'est pas possible. Le chercheur pourrait
stratifier la population dans différentes régions du pays, puis stratifier par urbain et
rural et ensuite choisir un échantillon aléatoire de communautés au sein de ces strates. Ces
les communautés sont ensuite divisées en zones urbaines en tant que clusters et considérées au hasard
certains d'entre eux pour étude. Chaque élément dans le cluster sélectionné peut être contacté pour
informations souhaitées.

Par exemple, dans le cadre d'un sondage d'opinion national avant les élections, le premier
l'étape consisterait à choisir comme échantillon un état spécifique (région). La taille de l'échantillon,
le nombre d'entretiens, provenant de chaque région, serait déterminé par le
populations relatives dans chaque région. Dans la deuxième étape, un nombre limité de
des villes/communautés dans chacune des régions seraient sélectionnées, puis à la troisième étape,
dans les villes/communes sélectionnées, un échantillon de répondants pourrait être tiré de la
liste électorale de la ville sélectionnée à la deuxième étape.

The essence of this type of sampling is that a subsample is taken from successive
groupes ou strates. La sélection des unités d'échantillonnage à chaque étape peut être réalisée
avec ou sans stratification. Par exemple, à la deuxième étape lorsque l'échantillon de
lorsque des villes sont dessinées, il est habituel de classer toutes les zones urbaines dans le
région de telle sorte que les éléments (villes / cités) de la population dans celles-ci
les zones se voient accorder des chances égales d'inclusion.

Échantillonnage systématiqueCette procédure est utile lorsque les éléments de la population

sont déjà physiquement disposés dans un certain ordre, tel qu'une liste de personnes alphabétisée
avec des permis de conduire, liste des clients bancaires par numéros de compte. Dans ces cas là, une
un élément est choisi au hasard à partir du premier élément et ensuite chaque k-ième élément
(membre) est inclus dans l'échantillon. La valeur k est appelée l'intervalle d'échantillonnage. Pour
par exemple, supposons qu'un échantillon de 50 soit souhaité d'une population de 100
comptes clients. L'intervalle d'échantillonnage est k = N/n = 1000/50 = 20. Ainsi un
un échantillon de 50 comptes est identifié en se déplaçant systématiquement à travers la population
et en identifiant chaque 20ème compte après le premier numéro de compte sélectionné au hasard.

8.6.2 Méthodes d'échantillonnage non aléatoires

Plusieurs méthodes d'échantillonnage non aléatoires pour sélectionner des échantillons à partir d'une population ou
les processus sont les suivants :

Échantillonnage de convenanceDans cette procédure, les unités à inclure dans l'échantillon sont
sélectionné à la convenance de l'enquêteur plutôt que par tout critère prédéfini ou
probabilités connues d'être sélectionné. Par exemple, un étudiant pour son projet sur 'la nourriture
Les 'habitudes parmi les adultes' peuvent utiliser ses propres amis au collège pour constituer un échantillon.
tout simplement parce qu'ils sont facilement disponibles et participeront pour peu ou pas de coût.
D'autres exemples sont des sondages d'opinion publique réalisés par n'importe quelle chaîne de télévision près de la
gare ferroviaire ; arrêt de bus, ou dans un marché.

Les échantillons de convenance sont faciles à collecter des données sur un problème particulier. Cependant, il est
il n'est pas possible d'évaluer sa représentativité de la population et donc
Des précautions doivent être prises dans l'interprétation des résultats d'échantillons de convenance qui
sont utilisés pour faire des inférences sur une population.

Purposive SamplingInstead of obtaining information from those who are most

pratiquement disponible, il devient parfois nécessaire d'obtenir des informations de
cibles spécifiques – répondants qui pourront fournir les informations souhaitées
soit parce qu'ils sont les seuls à pouvoir donner les informations souhaitées ou
parce qu'ils répondent à certains critères définis par le chercheur.

L'échantillonnage par jugement implique la sélection des répondants

qui sont en meilleure position pour fournir les informations souhaitées. Le jugement
L'échantillonnage est utilisé lorsque un nombre limité de répondants possède l'information qui est
nécessaire. Dans de tels cas, tout type d'échantillonnage probabiliste à travers une coupe transversale de
les répondants est inutile et sans but. Cette méthode d'échantillonnage peut limiter le
la généralisabilité des résultats en raison du fait que nous utilisons un échantillon de
les répondants qui sont facilement disponibles pour nous. C'est le seul échantillonnage viable
méthode pour obtenir le type d'information requise à partir de très spécifique
section de répondants qui possèdent les connaissances et peuvent donner le souhaité
information.

Cependant, la validité des résultats de l'échantillon dépend du jugement approprié de la

l'enquêteur dans le choix de l'échantillon. Une grande précaution est nécessaire lors du tirage
conclusions basées sur des échantillons de jugement pour faire des inférences sur une population.

L'échantillonnage par quota est une forme d'échantillonnage stratifié proportionnel.

dont une proportion prédéterminée d'éléments est échantillonnée à partir de différents groupes dans
la population, mais sur une base de commodité. En d'autres termes, dans l'échantillonnage par quota le
la sélection des répondants revient à l'enquêteur, bien que lors de cette sélection
il/elle doit s'assurer que chaque répondant satisfait à certains critères qui sont essentiels
pour l'étude. Par exemple, l'enquêteur peut choisir d'interviewer dix hommes et dix
des femmes de manière à ce que deux d'entre elles aient un revenu annuel de plus de deux lakh
cinq d'entre eux ont un revenu annuel compris entre un et deux lakhs de roupies et
treize dont le revenu annuel est inférieur à un lakh de roupies. De plus, certains d'entre eux
doit être âgé de 25 à 35 ans, d'autres entre 36 et 45 ans.
et l'équilibre sur 45 ans. Cela signifie que le choix de l'enquêteur de
Le répondant est en partie dicté par ces 'contrôles'.

L'échantillonnage par quotas a été critiqué car il ne satisfait pas le fondamental

exigence d'un échantillon, c'est-à-dire qu'il doit être aléatoire. Par conséquent, il ne l'est pas.
possible d'atteindre une précision des résultats sur toute base valide.

8.6.3 Choix des méthodes d'échantillonnage

Le choix d'une méthode d'échantillonnage particulière (procédure) doit être décidé en fonction de
divers facteurs tels que : la nature de l'étude, la taille de la population, la taille de l'échantillon,
disponibilité des ressources, degré de précision souhaité, etc. Un plan de choix est montré
dansFig. 8.3.

Figure 8.3 Directives pour Choisir un Échantillon

Évaluer la fiabilité d'un échantillonLa fiabilité d'un échantillon peut être

déterminé de la manière suivante pour garantir des résultats fiables :

1. Un certain nombre d'échantillons peuvent être prélevés dans la même population et les résultats de divers
échantillons comparés. S'il n'y a pas beaucoup de variation dans les résultats des différents échantillons, cela
est une mesure de sa fiabilité.
 2. Un sous-échantillon peut être prélevé à partir de l'échantillon principal et étudié. Si les résultats du sous-
Les échantillons sont similaires à ceux fournis par l'échantillon principal, cela donne une mesure de sa fiabilité.
3. Si certaines propriétés mathématiques sont trouvées dans la distribution étudiée, l'échantillon
le résultat peut être comparé aux valeurs attendues obtenues sur la base de calculs mathématiques
relation et si la différence entre eux n'est pas significative, l'échantillon a donné
résultats fiables.

Dans les distributions de probabilité où binomiale, normale, de Poisson ou toute autre

la distribution de probabilité théorique est applicable, les résultats d'échantillon peuvent être comparés
avec les valeurs attendues pour se faire une idée de la fiabilité de l'échantillon.

8.7 DISTRIBUTIONS D'ÉCHANTILLONNAGE

DansChapitre
3Nous avons discuté de plusieurs méthodes statistiques pour calculer des paramètres.
comme la moyenne et l'écart type de la population d'intérêt. Ces valeurs
étaient utilisés pour décrire les caractéristiques de la population. Si une population est très
grand et la description de ses caractéristiques n'est pas possible par la méthode de recensement,
Puis, pour parvenir à l'inférence statistique, des échantillons d'une taille donnée sont prélevés.
régulièrement à partir de la population et une 'statistique' particulière est calculée pour chacun
exemple. La valeur calculée d'une statistique particulière variera d'un échantillon à l'autre.
exemple. En d'autres termes, si la même statistique est calculée pour chacun des échantillons, le
la valeur est susceptible de varier d'un échantillon à l'autre. Ainsi, théoriquement, il serait possible
pour construire un tableau de fréquence montrant les valeurs assumées par la statistique et le
fréquence de leur occurrence. Cette distribution des valeurs d'une statistique est appelée
une distribution d'échantillonnage, car les valeurs sont le résultat d'un processus de
échantillonnage. Puisque les valeurs de la statistique sont le résultat de plusieurs tirages aléatoires simples
échantillons, donc ce sont des variables aléatoires.

Distribution d'échantillonnage Une distribution de probabilité composée de tous

valeurs possibles d'une statistique d'échantillon.

Supposons que tous les échantillons aléatoires possibles de taille n soient tirés d'une population de taille
N, et les valeurs ‘moyennes’ calculées. Ce processus générera un ensemble deNCn= N!/n!(N
-n)! moyennes d'échantillons, qui peuvent être arrangées sous la forme d'une distribution. Ceci
la distribution aurait sa moyenne notée par μ et l'écart type est noté
par σ (également appelé erreur standard). Nous pouvons suivre cette procédure pour calculer n'importe quel
une autre statistique de tous les échantillons possibles de la taille donnée tirés d'une population.

Le concept de distribution d'échantillonnage peut être lié aux diverses probabilités.

distributions. Les distributions de probabilité sont les distributions théoriques des variables aléatoires.
des variables qui sont utilisées pour décrire les caractéristiques des populations ou des processus sous
certaines conditions spécifiées. C'est-à-dire que les distributions de probabilité sont utiles dans
déterminer les probabilités des résultats de variables aléatoires lorsque les populations ou
les processus qui génèrent ces résultats satisfont à certaines conditions. Par exemple, si un
la population a une distribution normale, alors le phénomène qui décrit le
La distribution de probabilité normale fournit une description utile de la distribution de
valeurs de la population. Ainsi, lorsque les valeurs moyennes obtenues à partir des échantillons sont distribuées
normalement, cela implique que cette distribution est utile pour décrire les caractéristiques
(ou propriétés) de la distribution d'échantillonnage. Par conséquent, ces propriétés, qui sont
aussi les propriétés de la distribution d'échantillonnage, aident à établir des règles pour faire
inférences statistiques sur une population sur la base d'un seul échantillon tiré de
c'est-à-dire, sans même répéter le processus d'échantillonnage. La distribution d'échantillonnage de
Une statistique d'échantillon aide également à décrire l'étendue de l'erreur associée à un
estimation de la valeur des paramètres de population.

8.7.1 Erreur standard de la statistique

Puisque la distribution d'échantillonnage décrit comment les valeurs d'une statistique d'échantillon, disons la moyenne, sont
réparti autour de sa propre moyenne μ, par conséquent son écart type σ est appelé
l'erreur standard pour la distinguer de l'écart type σ d'une population.
L'écart type de la population décrit la variation parmi les valeurs de la
membres de la population, tandis que l'écart type de la distribution d'échantillonnage
mesure la variabilité parmi les valeurs de la statistique d'échantillon (telles que les valeurs moyennes,
valeurs de proportion) en raison des erreurs d'échantillonnage. Ainsi, la connaissance de la distribution d'échantillonnage
d'une statistique d'échantillon nous permet de déterminer la probabilité d'erreur d'échantillonnage de la
magnitude donnée. Par conséquent, l'écart type de la distribution d'échantillonnage d'un
la mesure statistique d'échantillon mesure l'erreur d'échantillonnage et est également connue sous le nom d'erreur standard de
statistique.

L'erreur standard de la statistique mesure non seulement la quantité d'erreur de chance dans le
processus d'échantillonnage mais aussi la précision souhaitée. L'un des inférentiels les plus courants
les procédures d'estimation (discutées dansChapitre 9). Dans l'estimation, la valeur de la
la statistique est utilisée comme une estimation de la valeur du paramètre de la population.

8.7.2 Distinction entre population, échantillons et distributions d'échantillonnage

Dans les sections précédentes, nous avons introduit des méthodes d'échantillonnage pour tirer des échantillons de la
même taille de manière répétée à partir d'une population, et calculer pour chaque échantillon la statistique de
intérêt. D'où, à partir de la distribution de la population, nous pouvons dériver un échantillonnage.
distribution de la statistique d'intérêt. Cette distribution a sa propre moyenne et écart-type.
écart (également appelé erreur standard). De telles distributions décrivent le relatif
fréquence d'occurrence des valeurs d'un échantillon statistique et donc aider à estimer
paramètres universels.

La distribution de la population est la répartition des valeurs de ses membres éléments et

la moyenne notée par μ, la variance2 σ et l'écart type σ.
La distribution d'échantillons est la distribution des valeurs mesurées d'une statistique dans un échantillon aléatoire.
échantillons tirés d'une population donnée. Chaque distribution d'échantillon est une discrète
distribution [comme montré dansFig 8.4(b)] parce que la valeur de la moyenne d'échantillon serait
varie d'un échantillon à l'autre. Cette variabilité sert de base au hasard
distribution d'échantillonnage. DansFig. 8.4(b)seulement cinq échantillons de ce type sont montrés, cependant,
il pourrait y avoir plusieurs de tels cas. Dans de telles distributions, la moyenne arithmétique
représente la moyenne de tous les moyennes d'échantillons possibles ou la 'moyenne des moyennes' notée
par ; l'écart type qui mesure la variabilité parmi toutes les possibilités
les valeurs de l'échantillon, sont considérées comme une bonne approximation de la
écarts-types σ de la population. Pour estimer σ de la population de manière plus précise
précision la formule

Figure 8.4Distribution de l'échantillonnage aléatoire de la moyenne d'échantillon

où est la taille de l'échantillon. La nouvelle valeur n - 1 dans le dénominateur entraîne

valeur plus élevée que les valeurs observées de l'échantillon. Ici, n - 1 est également connu
le nombre de degrés de liberté, df = n - 1 indiquent le
nombre de valeurs qui peuvent varier dans un échantillon aléatoire.

La distribution d'échantillonnage est la distribution de toutes les valeurs possibles d'une statistique provenant de
tous les échantillons possibles distincts de taille égale tirés d'une population ou d'un processus
comme indiqué dansFig.
8.4(c)La distribution d'échantillonnage des moyennes a ses propres
moyenne arithmétique notée par μ (mu subxbar) ou (moyenne des moyennes)
écart type σ (sigma sous xbar) ors. L'écart type de l'échantillonnage
La distribution indique comment différents échantillons seraient distribués. Le calcul de
ces statistiques de distribution d'échantillonnage sont basées sur les propriétés suivantes :

1. La moyenne arithmétique μ de la distribution d'échantillonnage des valeurs moyennes est égale à

moyenne de la population μ indépendamment de la forme de la distribution de la population, c'est-à-dire, μ = μ.

2. La distribution d'échantillonnage a un écart type (également appelé erreur standard ou

erreur d'échantillonnage) égale à l'écart type de la population divisé par la racine carrée de
la taille de l'échantillon, c'est-à-dire,

Rappelez-vous qu'un écart type est la dispersion des valeurs.

autour de la moyenne dans un seul échantillon, tandis que l'écart-type
l'erreur est la répartition des moyennes autour de la moyenne des moyennes
dans une distribution d'échantillonnage.
3. La distribution d'échantillonnage des moyennes d'échantillon provenant de populations distribuées normalement
la distribution normale pour des échantillons de toutes tailles.

L'erreur d'échantillonnage donne une idée de la précision d'une estimation statistique. Un faible
L'erreur d'échantillonnage signifie une variabilité ou une portée relativement réduite dans l'échantillonnage.
distribution. Étant donné que nous ne voyons jamais réellement la distribution d'échantillonnage, le calcul de
L'erreur d'échantillonnage est basée sur le calcul de l'écart type de l'échantillon.
Ainsi, plus l'écart-type de l'échantillon est grand, plus l'erreur standard est grande (et
l'erreur d'échantillonnage). L'erreur standard est également liée à la taille de l'échantillon : plus grande le
taille d'échantillon, plus la marge d'erreur standard est petite

Un échantillon de taille n≥ 30 est généralement considéré comme un grand échantillon pour les statistiques.
l'analyse alors qu'un échantillon de taille n < 30 est considéré comme un petit échantillon. Il peut
il convient de noter d'après la formule de σ que sa valeur tend à être plus petite à mesure que la taille de
les échantillons augmentent et vice-versa.

Lorsque l'écart type σ de la population n'est pas connu, les écarts types de
l'échantillon, qui s'approche de la valeur σ, est utilisé pour calculer l'erreur standard,
c'est-à-dire,

Questions conceptuelles 8A
1. Expliquez brièvement
a. La raison fondamentale de l'échantillonnage
b. Quelques raisons pour lesquelles un échantillon est choisi au lieu de tester le
population entière
2. Quelle est la relation entre la moyenne de la population, la moyenne d'un échantillon, et le
moyenne de la distribution de la moyenne de l'échantillon?
3. Est-il possible de développer une distribution d'échantillonnage pour d'autres statistiques en dehors de la moyenne d'échantillon ?

Expliquer.
4. Comment l'erreur standard de la moyenne mesure-t-elle l'erreur d'échantillonnage ? Est-ce que la quantité d'échantillonnage
l'erreur dans la moyenne échantillonnale est-elle affectée par la quantité de variabilité dans l'univers ? Expliquez.
5. S'il n'y a qu'un seul échantillon sélectionné dans un problème d'échantillonnage, comment est-il possible d'avoir un entier
distribution de la moyenne d'échantillon ?
6. Qu'est-ce que l'échantillonnage ? Expliquez son importance dans la résolution des problèmes commerciaux. Critiquez.
examinez les méthodes bien connues d'échantillonnage probabiliste et d'échantillonnage non probabiliste.
 [Université de Delhi, MBA, 1998]

7. Indiquez les différences entre une enquête par échantillon et une enquête de recensement. Dans quel contexte
Quelles sont les conditions dans lesquelles cela est entrepris ? Expliquez la loi qui constitue la base de l'échantillonnage.

[Université de Delhi, MBA, 1999]

8. Expliquez avec l'aide d'un exemple le concept de distribution d'échantillonnage d'un échantillon.
statistique et souligner son rôle dans la prise de décision managériale.
[Université de Delhi, MBA, 2000]

9. Pourquoi la distribution d'échantillonnage de la moyenne suit-elle une distribution normale pour un grand échantillon ?
taille d'échantillon même si la population peut ne pas être normalement distribuée ?
10. Expliquer le concept d'erreur standard. Discuter du rôle de l'erreur standard dans un grand échantillon.
théorie.
11. Que voulez-vous dire par distribution d'échantillonnage d'une statistique et son erreur standard ? Donnez le
expressions pour l'erreur standard de la moyenne d'échantillon.
12. Mettre en évidence l'importance de la distribution d'échantillonnage et le concept d'erreur standard dans
application statistique.
13. Expliquez les principes de l'« Inertie des grands nombres » et de la « Régularité statistique ».
14. Énumérez les différentes méthodes d'échantillonnage et décrivez-en deux en mentionnant le
situations où chacun doit être utilisé.
15. Faire la distinction entre les erreurs d'échantillonnage et les erreurs non liées à l'échantillonnage.
Quelles sont leurs sources ? Comment ces erreurs peuvent-elles être contrôlées ?
16.
a. Quelle est la distinction entre une distribution d'échantillonnage et un
distribution de probabilité ?
b. Quelle est la distinction entre un écart type et un standard
erreur ?
2. L'écart type de la distribution d'échantillonnage de la moyenne est-il le même que l'écart type standard
écart de la population ? Expliquez.
3. Expliquez les termes « population » et « échantillon ». Expliquez pourquoi il est parfois nécessaire et
Il est souvent souhaitable de collecter des informations sur la population en réalisant une enquête par échantillonnage.
au lieu d'une énumération complète ?
4. Quelles sont les principales étapes d'une enquête par échantillon. Discutez des différentes sources d'erreur.
such surveys and point out how these errors can be controlled.

8.8 DISTRIBUTION D'ÉCHANTILLON DE LA MOYENNE D'ÉCHANTILLON

En général, la distribution d'échantillonnage des moyennes des échantillons dépend de la distribution

of the population or process from which samples are drawn. If a population or
si le processus est normalement distribué, alors la distribution d'échantillonnage des moyennes d'échantillon est également
normalement distribué peu importe la taille de l'échantillon. Même si la population ou le processus
dans une distribution qui n'est pas normale, la distribution d'échantillonnage de la moyenne d'échantillon tend à être
distribué normalement car la taille de l'échantillon est suffisamment grande.

8.8.1 Distribution d'échantillonnage de la moyenne lorsque la population a une distribution non normale
Si la population n'est pas distribuée normalement, alors nous utilisons le théorème central limite.
théorème pour décrire la nature aléatoire de la moyenne d'échantillon pour de grands échantillons
sans connaissance de la distribution de la population. Le théorème central limite stipule
cela
Théorème de la limite centrale Un résultat qui permet l'utilisation de la normale
distribution de probabilité pour approximer la distribution d'échantillonnage de et
.

Lorsque les échantillons aléatoires d'observations sont tirés d'une population non normale avec
moyenne finie μ et écart type σ, et à mesure que la taille de l'échantillon n est augmentée, le
La distribution d'échantillonnage de la moyenne de l'échantillon est approximativement distribuée normalement, avec

moyenne et écart type comme :

Qu'importe sa forme, la distribution d'échantillonnage de la moyenne d'échantillon a toujours une

moyenne identique à la population échantillonnée, μ = μ et écart type
déviation Cela implique que l'étalement de la distribution de l'échantillon
la moyenne est considérablement inférieure à l'écart de la population échantillonnée.

Le théorème central limite est utile en inférence statistique. Lorsque la taille de l'échantillon est
suffisamment grand, des estimations telles que 'moyenne' ou 'proportion' qui sont utilisées pour faire
Les inférences sur les paramètres de population sont censées avoir une distribution d'échantillonnage.
c'est à peu près normal. Le comportement de ces estimations peut être décrit
dans un échantillonnage répété et sont utilisés pour évaluer la probabilité d'observer certains
résultats d'échantillons utilisant la distribution normale comme suit :

Comme indiqué dans le théorème central limite, l'approximation à la distribution normale

est valide tant que la taille de l'échantillon est suffisamment 'grande' – mais combien de grande ? Il n'y a pas
compréhension claire de la taille de n. Cependant, les directives suivantes sont utiles dans
déterminer une valeur appropriée de n :

1. Si la population échantillonnée est normale, alors la distribution de l'échantillonnage de la moyenne le sera aussi.
soyez normal, indépendamment de la taille de l'échantillon.
2. Si la population échantillonnée est approximativement symétrique, alors la distribution d'échantillonnage de
la moyenne devient approximativement normale pour des valeurs relativement petites de n.
 3. Si la population échantillonnée est biaisée, la taille de l'échantillon doit être plus grande, avec au moins 30.
avant que la distribution d'échantillonnage de la moyenne ne devienne approximativement normale

Ainsi, la variable normale standard, approximativement la norme

distribution normale, où μ et σ sont la moyenne et l'écart type de la population,
respectivement.

8.8.2 Distribution de l'échantillonnage de la moyenne lorsque la population a une distribution normale

L'écart type de la population σ est connuComme mentionné précédemment que non

peu importe quelle est la distribution de la population, pour tout échantillon de taille n tiré de
une population avec une moyenne μ et un écart-type σ, la distribution d'échantillonnage d'un
La statistique d'échantillon, telle que la moyenne et l'écart-type, est définie respectivement par

Moyenne de la distribution des moyennes d'échantillons ou valeur attendue de la

signifie

Écart-type (ou erreur) de la distribution de moyennes d'échantillon ou écart-type

erreur de la moyenne

Si tous les échantillons possibles de taille sont tirés avec remplacement d'une population
ayant une distribution normale avec une moyenne μ et un écart type σ, alors cela peut être
montré que la distribution d'échantillonnage de la moyenne et l'erreur standard σ seront également
normalement distribué indépendamment de la taille de l'échantillon. Ce résultat est vrai car
toute combinaison linéaire de variables aléatoires normales est également une variable aléatoire normale
variable. En particulier, si la distribution d'échantillonnage de est normale, l'erreur standard
de la moyenne σ peut être utilisée en conjonction avec la distribution normale pour déterminer le
probabilités des différentes valeurs de la moyenne d'échantillon. À cette fin, la valeur de l'échantillon
la moyenne est d'abord convertie en une valeur sur la distribution normale standard pour savoir
comment toute valeur moyenne unique s'écarte de la moyenne des valeurs moyennes d'échantillon, par
en utilisant la formule

puis mesure la dispersion (écart-type) des valeurs des moyennes d'échantillons dans
la distribution d'échantillonnage des moyennes, on peut dire que

couvre environ 68 pour cent du total possible des moyennes d'échantillons

couvre environ les 95 pour cent du total des moyennes d'échantillon possibles

La procédure pour effectuer une inférence statistique en utilisant la distribution d'échantillonnage à propos de
La moyenne de la population μ basée sur la moyenne des moyennes d'échantillons est résumée comme suit :

Si la valeur de l'écart type de la population σ est connue et que soit

a. la distribution de la population est normale, ou
 b. la distribution de la population n'est pas normale, mais la taille de l'échantillon est grande
(n≥ 30), alors la distribution d'échantillonnage de la moyenne σ = μ et l'écart type
écart est très proche de la normale standard
distribution donnée par

2. Si la population est finie avec N éléments dont la moyenne est μ et 2

la variance est σ.
Des échantillons de taille fixe sont tirés sans remplacement, puis l'écart type (également
appelé erreur standard) de la distribution d'échantillonnage de la moyenne peut être modifié pour ajuster le
changement continu de la taille de la population N en raison des plusieurs tirages d'échantillons de
sizenas suit :

Facteur de correction pour les populations finiesLe terme est multiplié

avec pour et une population finie est échantillonnée. En général, ignorer
le facteur de correction de population finie chaque fois que n/N ≤ 0,05.

Le terme s'appelle le multiplicateur de population finie ou finie

facteur de correction. En général, ce facteur a peu d'effet sur la réduction de la quantité de
erreur d'échantillonnage lorsque la taille de l'échantillon est inférieure à 5 pour cent de la population
size. But if N is large relative to the sample sizen, est approximativement
égal à 1.

L'écart type de la population σ n'est pas connu lors du calcul de l'écart type
erreur σ de la distribution d'échantillonnage normalement distribuée, jusqu'à présent nous avons supposé que
L'écart type de la population σ est connu. Cependant, si σ n'est pas connu, la valeur
la variabilité normale ne peut pas être calculée pour un échantillon spécifique. Dans ce cas, le
L'écart-type de la population σ doit être estimé à l'aide de l'écart-type de l'échantillon.
écart type σ. Ainsi, l'erreur type de la distribution d'échantillonnage de la moyenne devient

Puisque la valeur de varie en fonction de chaque écart type d'échantillon, donc

au lieu d'utiliser la formule de conversion
nous utilisons la formule suivante, appelée ‘distribution t de Student’

où

Figure 8.5 Comparaison des distributions t avec la distribution normale standard

En contraste avec la distribution normale avec une moyenne μ = 0 et un écart type σ = 1,

la distribution t est une famille de distributions symétriques centrées autour du
moyenneμ= 0. La forme de la distribution dépend de deux statistiques : et s.
Cependant, la valeur de s varie avec la taille de l'échantillon n. Plus la taille de l'échantillon n est élevée, s sera
être une estimation plus précise de l'écart-type de la population σ et vice-
[Link] 8.5. illustre une comparaison de la distribution t avec celle de la distribution normale.
distribution normale

Degrés de liberté Le diviseur (n–1) dans la formule pour les variances d'échantillon est 2

appelé nombre de degrés de liberté (df) associés à s. Le nombre

2
de degrés
de la liberté fait référence au nombre de possibilités non restreintes de variation dans le
mesure en cours, c'est-à-dire le nombre de déviations carrées indépendantes dans cela 2

sont disponibles pour estimer σ.2 En d'autres termes, cela fait référence au nombre de valeurs qui
sont libres de varier dans un échantillon aléatoire. La forme de la distribution t varie avec les degrés
de liberté. Évidemment, plus la taille de l'échantillon est grande, plus les degrés de liberté sont élevés.

Degrés de liberté Le nombre de chances non restreintes de variation

dans la mesure qui est faite.
Exemple 8.1 : La durée de vie moyenne d'un certain outil de coupe est de 41,5 heures avec un
écart type de 2,5 heures. Quelle est la probabilité qu'un tirage au sort simple
un échantillon de taille 50 tiré de cette population aura une moyenne entre 40,5 heures
et 42 heures ?

[Université de Delhi, MBA, 2003]

Solution : Nous avons les informations suivantes

μ= 41.5 hours, σ = 2.5 hours, andn= 50

Il est nécessaire de trouver la probabilité que la durée de vie moyenne de l'outil de coupe
se situe entre 40,5 heures et 42 heures, c'est-à-dire P(40,5 ≤ ≤ 42).

Sur la base des informations fournies, les statistiques de la distribution d'échantillonnage sont
calculé comme :

Figure 8.6 Courbe normale

La distribution de la population est inconnue, mais la taille de l'échantillon n = 50 est suffisamment grande pour
appliquez le théorème central limite. Ainsi, la distribution normale peut être utilisée pour trouver
la probabilité requise comme indiqué par la zone ombragée dansFig. 8.6.
Ainsi, 0,9184 est la probabilité que l'outil ait une durée de vie moyenne comprise entre les valeurs requises.
heures.

Exemple 8.2 : Un processus de fabrication continu produit des articles dont les poids
sont normalement distribués avec un poids moyen de 800 g et un écart type de
300 g. Un échantillon aléatoire de 16 articles doit être prélevé dans le processus.

1. Quelle est la probabilité que la moyenne arithmétique de l'échantillon dépasse 900 g ?

Interpréter les résultats.
2. Trouvez les valeurs de la moyenne arithmétique de l'échantillon dans lesquelles se situe le milieu des 95 pour cent de tous
les moyens d'échantillon vont tomber.

Figure 8.7 Courbe normale

Solution :

(a) Nous avons les informations suivantes

μ=800 g, σ =300 g, andn= 16

Étant donné que la population est normalement distribuée, la distribution de la moyenne des échantillons est normale.
avec une moyenne et un écart type égaux à
La probabilité requise, P( > 900) est représentée par la zone ombragée dansFig. 8.7de
une courbe normale. Donc

Figure 8.8 Courbe normale

Ainsi, 9,18 pour cent de tous les échantillons possibles de taille n = 16 auront une moyenne d'échantillon
valeur supérieure à 900 g.

(b) Puisque z = 1,96 pour la zone médiane de 95 pour cent sous la courbe normale comme montré
dansFig. 8.8, par conséquent en utilisant la formule pour résoudre les valeurs de en termes de
Les valeurs connues sont les suivantes :

Exemple 8.3 : Une raffinerie de pétrole a des moniteurs de secours pour suivre la raffinerie.
coule en continu et pour empêcher les pannes de machine de perturber le
processus. Un moniteur en particulier a une durée de vie moyenne de 4300 heures et un écart type
déviation de 730 heures. En plus du moniteur principal, la raffinerie a mis en place
deux unités de secours, qui sont des duplicatas de la principale. Dans le cas de
en cas de dysfonctionnement de l'un des moniteurs, un autre prendra automatiquement le relais à sa place.
La durée de vie de chaque moniteur est indépendante des autres.

Quelle est la probabilité qu'un ensemble donné de moniteurs dure au moins 13 000 heures ?
Au maximum 12 630 heures ?

Solution : Étant donné, μ = 4300 heures, σ = 730 heures, n = 3. Sur la base des données fournies
les statistiques de la distribution d'échantillonnage sont calculées comme suit :

Moyenne, μ = μ = 4300

et l'écart type,

(a) Pour qu'un ensemble de moniteurs dure 13 000 heures, chacun d'eux doit durer 13 000/3 =
4333,33 heures en moyenne. La probabilité requise est calculée comme suit :

(b) Pour que l'ensemble dure au maximum 12 630 heures, la durée de vie moyenne ne peut pas dépasser 12 630/3
= 4210 heures. La probabilité requise est calculée comme suit :

Exemple 8.4 : Big Bazar, une chaîne de 130 centres commerciaux, a été rachetée par
une autre grande chaîne de supermarchés à l'échelle nationale. Avant que l'accord ne soit finalisé, le plus grand
la chaîne veut avoir l'assurance que Big Bazar sera une source de revenus constante
fabricant. La grande chaîne a décidé d'examiner les dossiers financiers de 25 des Big
Magasins Bazar. Big Bazar affirme que les bénéfices de chaque magasin sont d'environ
distribution normale avec la même moyenne et un écart type de 40 millions de Rs.
Si la direction de Big Bazar a raison, alors quelle est la probabilité que l'échantillon
La moyenne pour 25 points de vente sera-t-elle comprise dans 30 millions de Rs de la moyenne réelle ?

Solution : Étant donné N = 130, n = 25, σ = 40. Sur la base des informations fournies, le
les statistiques de la distribution de l'échantillonnage sont comparées comme suit :

La probabilité que la moyenne de l'échantillon pour 25 magasins se situe dans une fourchette de 30 millions de Rs est
donné par

Exemple 8.5 : Le directeur général (PDG) d'une compagnie d'assurance vie souhaite
réaliser une enquête sur le grand nombre de contrats d'assurance que la société possède
souscrit. L'entreprise réalise un bénéfice annuel sur chaque police qui est distribuée
avec une moyenne de 8000 Rs et un écart-type de 300 Rs. Il est souhaité que l'enquête
doit être suffisamment grand pour réduire l'erreur standard à pas plus de 1,5 pour cent de
la moyenne de la population. Quelle devrait être la taille de l'échantillon ?

Solution : Étant donné μ = Rs 8000, et σ = Rs 300. L'objectif est de trouver la taille de l'échantillon n.
assez grand pour que

Ainsi, un échantillon d'au moins 625 polices d'assurance est nécessaire.

Exemple 8.6 : Safal, une société de fabrication de thé, souhaite déterminer le
taux de consommation de thé par ménage à Delhi. La direction croit que
La consommation annuelle par ménage est distribuée normalement avec une moyenne μ inconnue.
et un écart type de 1,50 kg

1. Si un échantillon de 25 ménages est pris pour enregistrer leur consommation de thé pendant un an, que
Quelle est la probabilité que la moyenne de l'échantillon soit dans un intervalle de 500 grammes de la moyenne de la population ?

2. Quelle doit être la taille de l'échantillon pour être sûr à 98 % que la moyenne de l'échantillon est
dans 500 g de la moyenne de la population ?

Solution :
(a) Probabilité que la moyenne de l'échantillon soit à l'intérieur de 500 g ou 0,5 kg de la population
la moyenne est calculée comme suit :

Pour un niveau de confiance de 98 %, la taille de l'échantillon est calculée comme suit :

Puisque z = 2,33 pour 98 pour cent de la surface sous la courbe normale, donc

Par conséquent, la direction de l'entreprise devrait échantillonner au moins 50 ménages.

Exemple 8.7 : Une entreprise de fabrication de motos affirme que sa particulière

la marque de moto a donné une moyenne de 90 km par litre sur autoroute. Un
une agence indépendante l'a testé pour vérifier la revendication. Dans des conditions contrôlées, le
la moto a été conduite sur une distance de 100 km lors de chacune des 25 occasions différentes.
The actual kms per litre achieved during the trip were recorded on each occasion.
Au cours des 25 essais, la moyenne et l'écart type se sont révélés être de 87 et 5 kms
par litre, respectivement. On pense que la répartition des km d'autoroute réels
par litre pour cette moto est proche d'une distribution normale.

Si la cote de 90 km par litre de l'agence est correcte, trouvez la probabilité que le

le kilométrage moyen par litre sur un échantillon aléatoire de 25 essais serait de 87 ou moins.

Solution : Étant donné que l'écart type de la population σ est inconnu, le test t de Student
sera applicable pour calculer la probabilité souhaitée P( ≤ 87) comme suit :

avec des degrés de liberté (n – 1) = (25 – 1) = 24.

La probabilité souhaitée pour t ≤ – 3,00 avec df = 24 dans le tableau de distribution t est de 0,0031.
Par conséquent, la probabilité que la moyenne de km par litre soit inférieure ou égale à 87 est très
petit.

8.8.3 Distribution de l'échantillonnage de la différence entre deux moyennes d'échantillon

Le concept de distribution d'échantillonnage de la moyenne échantillonnale introduit plus tôt dans ceci
le chapitre peut également être utilisé pour comparer une population de taille N1 ayant une moyenne μ1 et
écart type σ1avec un autre type de population similaire de taille N2avoir
moyenneμ2et l'écart type σ2.

Soit et
1
soit2 la moyenne de la distribution d'échantillonnage de la moyenne de deux populations.
respectivement. Ensuite, la différence entre leurs valeurs moyennes μ1etμ2peut être
estimé en généralisant la formule de la variable normale standard comme suit :

où moyenne de la distribution d'échantillonnage de la différence de deux

signifie)
 (Erreur standard de la distribution d'échantillonnage de deux)
signifie)

n1,n2= échantillons aléatoires indépendants tirés de la première et de la seconde population,

respectivement.
Puisque des échantillons aléatoires sont tirés indépendamment de deux populations avec
remplacement, donc la distribution d'échantillonnage de la différence entre deux moyennes
1 sera 2 normal à condition que la taille de l'échantillon soit suffisamment grande.

L'erreur standard des distributions d'échantillonnage de certains autres statistiques est donnée ci-dessous :

Exemple 8.8 : Les stéréos de voiture du fabricant A ont une durée de vie moyenne de 1400 heures
avec un écart type de 200 heures, tandis que ceux du fabricant B ont une moyenne
durée de vie de 1200 heures avec un écart type de 100 heures. Si un échantillon aléatoire de
125 stéréos de chaque fabricant sont testés, quelle est la probabilité que
Les stéréo du fabricant A auront une durée de vie moyenne d'au moins (a) 160 heures
plus que les stéréos du fabricant B et (b) 250 heures de plus que le fabricant
Les stéréos de B ?

[Université de Delhi, MBA, 1999]

Solution : Nous avons les informations suivantes

Figure 8.9 Courbe normale

(a) Soit –1 la différence

2 de durée de vie moyenne des stéréos fabriqués par les deux
fabricants. Ensuite, nous devons trouver la probabilité que cette différence soit
plus ou égal à 160 heures, comme indiqué dansFig. 8.9C'est-à-dire,

Par conséquent, la probabilité est très élevée que la durée de vie moyenne des stéréo de A soit de 160
heures de plus que celle de B.

(b) Procéder de la même manière que dans la partie (a) comme suit :
Figure 8.10 Courbe normale

Ainsi, la probabilité est très faible que la durée de vie moyenne des stéréos de A soit de 250
heures de plus que celle de B comme indiqué dansFig. 8.10.

Exemple 8.9 : La marque particulière de roulements à billes pèse 0,5 kg avec un standard
écart de 0,02 kg. Quelle est la probabilité que deux lots de 1000 billes chacun
différera en poids de plus de 2 g.

Solution : Nous avons les informations suivantes

Figure 8.11 Courbe normale

Une différence de 2 g dans deux lots équivaut à une différence de 2/100 = 0,002 kg dans
poids moyens. C'est possible si –
1 ≤ 0,002.
2 ou – ≥ –1 0,002.
2 Alors le requis
la probabilité que chaque roulement à billes diffère de plus de 2 g est calculée comme
suit et montré dansFig. 8.11

Problèmes d'auto-pratique 8A

8.1A Le diamètre d'un composant produit sur une machine semi-automatique est connu pour
être distribué normalement avec une moyenne de 10 mm et un écart type de 0,1 mm.
Si un échantillon aléatoire de taille 5 est sélectionné, quelle est la probabilité que l'échantillon
la moyenne sera entre 9,95 mm et 10,05 mm ?

[Université de Delhi, MBA, 1997]

8.2 Le temps entre deux arrivées dans un système de file d'attente est distribué normalement avec
une moyenne de 2 minutes et un écart type de 0,25 minute. Si un échantillon aléatoire de 36
si un échantillon est tiré, quelle est la probabilité que la moyenne de l'échantillon soit supérieure à 2,1
minutes ?
8.3 La résistance du fil produit par la société A a une moyenne de 4 500 kg et un
écart type de 200 kg. L'entreprise B a une moyenne de 4 000 kg et un écart type
déviation de 300 kg. Si 50 fils de la société A et 100 fils de la société B sont
sélectionné au hasard et testé pour sa résistance, quelle est la probabilité que l'échantillon
la résistance moyenne de A sera d'au moins 600 kg de plus que celle de B ?

[Delhi Univ., MBA, 2000]

8.4Pour un certain test d'aptitude, il est connu d'après l'expérience passée que la moyenne
le score est de 1000 et l'écart type est de 125. Si le test est administré à 100
individus sélectionnés au hasard, quelle est la probabilité que la valeur de la moyenne
le score pour cet échantillon se situera dans l'intervalle de 970 à 1030 ? Supposons que le
la distribution de la population est normale.
Un processus de fabrication 8.5 produit des roulements à billes avec une moyenne de 5 cm et un écart type.
écart 0,005 cm. Un échantillon aléatoire de 9 roulements est sélectionné pour mesurer leur
diamètre moyen et le trouver à 5,004 cm. Quelle est la probabilité que la moyenne
Le diamètre de 9 roulements sélectionnés au hasard serait d'au moins 5,004 cm ?
8.6Une population d'articles a une distribution inconnue mais une moyenne connue et
écart type de 50 et 100, respectivement. Basé sur un tirage au sort
Un échantillon de 81 éléments tiré de la population, quelle est la probabilité que le
la moyenne arithmétique d'un échantillon ne dépasse pas 40 ?
8.7Une équipe de recherche marketing a déterminé l'erreur standard d'échantillonnage
distribution de la moyenne pour une taille d'échantillon de recherche de marché proposée de 100 consommateurs.
Cependant, cette erreur standard est deux fois le niveau que la direction de
l'organisation considère comme acceptable. Que peut-on faire pour atteindre un niveau acceptable
erreur standard de la moyenne ?
8.8 Supposons que la taille de 300 soldats dans un bataillon de l'armée soit normalement
distribué avec une moyenne de 68 pouces et un écart-type de 3 pouces. Si 80 échantillons
composées de 25 soldats chacune sont prises, quelle serait la moyenne attendue et
écart type de la distribution d'échantillonnage des moyennes résultantes si l'échantillonnage est
fait (a) avec remplacement et (b) sans remplacement ?
8.9 Quelle a été la performance des fonds communs de placement en actions dans le passé par rapport au BSE
Indice boursier ? Un échantillon aléatoire de 36 fonds a une moyenne de 16,9 % par an
retour sur investissement pour 2001-2002 avec un écart type de 3,6 % par an
retour. L'indice boursier BSE a connu un taux de croissance annuel moyen de 16,3 % au cours de
même période. Ces données montrent-elles que, en moyenne, les fonds communs de placement ont
comment l'indice boursier BSE a-t-il performé pendant cette période ?
8.10 Le salaire de départ moyen annuel pour un MBA est de 3 42 000 Rs. Supposons que pour
la population des MBA (spécialisation en marketing), le salaire de départ moyen annuel est μ =
340 000 et l'écart type est σ = 20 000. Quelle est la probabilité qu'un
un échantillon aléatoire simple de MBA (spécialisation en marketing) aura une moyenne d'échantillon dans
± Rs 2,500 de la moyenne de la population pour chaque taille d'échantillon : 50, 100 et 200 ? Qu'est-ce que
votre conclusion?
[Université de Delhi, MBA, 2003]

Indications et réponses

8.1

8.2

8.3
8.4

8,5
8.6

8.7Puisque l'erreur standard est inversement proportionnelle à la racine carrée de l'échantillon

la taille, donc pour réduire l'erreur standard déterminée par l'équipe de recherche de marché,
la taille de l'échantillon devrait être augmentée à n = 400 (quatre fois n = 100).
8.8 Le nombre d'échantillons possibles de taille 25 chacun d'un groupe de 3000 soldats
avec et sans remplacement sont (3000) et25C25, respectivement.
300
Ces numéros
sont beaucoup plus grands que 80—en réalité des échantillons tirés. Ainsi, nous n'obtiendrons qu'un
distribution d'échantillonnage expérimentale des moyennes plutôt que distribution d'échantillonnage vraie.
Ainsi, la moyenne et l'écart type seraient proches de ceux de la théorie.
distribution. C'est-à-dire :

8,9
8.10

8.9 DISTRIBUTION DES ÉCHANTILLONS DE PROPORTION D'ÉCHANTILLON

Il existe de nombreuses situations dans lesquelles chaque élément de la population peut être classé.
en deux catégories mutuellement exclusives telles que succès ou échec, accepter ou rejeter,
face ou pile d'une pièce, et ainsi de suite. Ces situations et d'autres similaires offrent des applications pratiques
exemples d'expériences binomiales, si la procédure d'échantillonnage a été réalisée dans
une manière appropriée. Si un échantillon aléatoire de n éléments est sélectionné à partir de
population binomiale et x de ceux-ci possèdent la caractéristique spécifiée, alors le
la proportion d'échantillon est la meilleure statistique à utiliser pour les inférences statistiques sur le
paramètre de proportion de la population p. La proportion d'échantillon peut être définie comme :

Avec la même logique de distribution d'échantillonnage de la moyenne, la distribution d'échantillonnage de

proportions d'échantillon avec une moyenne μ et un écart type (également appelé standard
l'erreur) σ est donné par
Si la taille de l'échantillon est grande (n≥ 30), la distribution d'échantillonnage de peut être
approximée par une distribution normale. L'approximation sera adéquate si

Il convient de noter que la distribution d'échantillonnage de la proportion serait en fait

suivre la distribution binomiale car la population est distribuée de manière binomiale.

La moyenne et l'écart type (erreur) de la distribution d'échantillonnage de la proportion

sont valables pour une population finie dans laquelle l'échantillonnage se fait avec remplacement. Cependant, pour
population finie dans laquelle l'échantillonnage est effectué sans remise, nous avons

Selon les mêmes directives que celles mentionnées dans les sections précédentes, pour un grand échantillon
sizen(≥ 30), la distribution d'échantillonnage de la proportion est étroitement approximée par un
distribution normale avec moyenne et écart type comme indiqué ci-dessus. Par conséquent, pour
normaliser la proportion d'échantillon, la variable normale standard.

est approximativement la distribution normale standard.

8.9.1 Distribution d'échantillonnage de la différence de deux proportions

Supposons deux populations de taille N1et N2sont donnés. Pour chaque échantillon de taille n1de
première population, calculez la proportion d'échantillon
1 et l'écart type σ. 1

De même, pour chaque échantillon de taille n2à partir de la deuxième population, calculez l'échantillon
proportion 2 et écart type σ. 2
Pour toutes les combinaisons de ces échantillons provenant de ces populations, nous pouvons obtenir un
distribution d'échantillonnage de la différence – des
1
proportions
2
d'échantillons. Ainsi un
la distribution est appelée distribution d'échantillonnage des différences de deux proportions.
la moyenne et l'écart type de cette distribution sont donnés par

Si la taille de l'échantillon n1etn2sont grands, c'est-à-dire, n1≥

30 et2 ≥ 30, alors l'échantillonnage
la distribution de la différence de proportions est étroitement approchée par une normale
distribution.

Exemple 8.10 : Un fabricant de montres a déterminé par expérience que 3

pour cent des montres qu'il produit sont défectueuses. Si un échantillon aléatoire de 300
les montres sont examinées, quelle est la probabilité que la proportion de défauts soit entre
0,02 et 0,035 ?

[Université de Delhi, MBA, 1990]

Solution :

Ainsi, l'erreur standard de proportion est donnée par

Pour calculer la probabilité souhaitée, nous appliquons la formule suivante

D'où la probabilité que la proportion de défectueux se situe entre 0,02 et

0.035 est 0.5411.

Figure 8.12 Courbe normale

Exemple 8.11 : Il y a quelques années, une politique a été introduite pour accorder des prêts aux chômeurs.
ingénieurs à créer leur propre entreprise. Sur 100 000 ingénieurs au chômage,
60 000 ont accepté la politique et ont obtenu le prêt. Un échantillon de 100 ingénieurs au chômage est
pris au moment de l'attribution du prêt. Quelle est la probabilité que l'échantillon
la proportion aurait dépassé 50 pour cent d'acceptation ?

Solution : Nous avons les informations suivantes

Ainsi, l'erreur standard de proportion dans une population finie de taille 100 000 est donnée
par

La probabilité que la proportion d'échantillon dépasse 50 pour cent d'acceptation

est donné par

Exemple 8.12 : Dix pour cent des machines produites par l'entreprise A sont défectueuses et
cinq pour cent de ceux produits par l'entreprise B sont défectueux. Un échantillon aléatoire de 250
les machines sont prises de l'entreprise A et un échantillon aléatoire de 300 machines de
entreprise B. Quelle est la probabilité que la différence dans la proportion d'échantillon soit inférieure
que ou égal à 0,02 ?

[Université de South Gujrat, MBA ; Université de Delhi, MBA, 1999]

Solution : Nous disposons des informations suivantes

Ainsi, l'erreur standard de la différence dans des proportions simples est donnée par

La probabilité souhaitée de différence dans les proportions d'échantillon est donnée par

Figure 8.13 Courbe normale

Par conséquent, la probabilité souhaitée pour la différence dans les proportions d'échantillons est de 0,0934.

Problèmes de pratique autonome 8B

8.11 Supposons que 2 pour cent des articles produits dans une opération de ligne d'assemblage sont
défectueux, mais que le responsable de production de l'entreprise n'est pas au courant de cette situation. Que
Quelle est la probabilité que, dans un lot de 400 tels articles, 3 % ou plus soient défectueux ?
8.12 Si une pièce est lancée 20 fois et que la pièce tombe sur face après un lancer, c'est un
succès. Supposons que la probabilité de succès est de 0,5. Quelle est la probabilité que le
le nombre de succès est inférieur ou égal à 12 ?
Le département de contrôle qualité d'une entreprise de fabrication de peintures, à ce moment-là
d'expédition de peintures décoratives, a découvert que 30 pour cent des conteneurs sont
défectueux. Si un échantillon aléatoire de 500 conteneurs est prélevé avec remplacement de la
population, quelle est la probabilité que la proportion d'échantillon soit inférieure à ou
équivaut à 25 pour cent de défauts ?
Une entreprise de fabrication de vis a découvert qu'en moyenne 0,04 des vis
produits sont défectueux. Un échantillon aléatoire de 400 vis est examiné pour le
proportion de vis défectueuses. Trouvez la probabilité que la proportion de défectueux
les vis dans l'échantillon sont entre 0,02 et 0,05.
8.15 Un manager dans le service de facturation d'une entreprise de téléphonie mobile vérifie sur le
la proportion de clients qui paient leurs factures en retard. La politique de l'entreprise dicte que
cette proportion ne devrait pas dépasser 20 pour cent. Supposons que la proportion de tous
les factures qui ont été payées en retard sont de 20 pour cent. Dans un échantillon aléatoire de 140 factures,
déterminez la probabilité que plus de 28 pour cent des factures aient été payées en retard.

Indices et réponses
8,11
8.12

8.13

8.14
8.15

Formules Utilisées
1. Écart type (ou erreur standard) de l'échantillonnage
distribution de la moyenne

Population infinie :

Population finie :
où n < 0,5N ; n, N = taille de l'échantillon et de la population,
respectivement.
2. Estimation de σ lorsque l'écart-type de la population n'est pas
connu

Population Infinie :

Population Finie
2. Écart type de la distribution d'échantillonnage de l'échantillon
signifie

3. Écart type (ou erreur standard) d'échantillonnage

distribution de proportion

Population infinie :
 Population Finie :
2. Écart type de la distribution d'échantillonnage de l'échantillon
proportions

Quiz des concepts de chapitre

Vrai ou Faux
1. La distribution d'échantillonnage constitue la base de l'inférence statistique lorsque l'échantillon
les résultats sont analysés.

(V/F)

2. La distribution d'échantillonnage de la moyenne est la fonction de densité de probabilité qui

décrit la distribution des valeurs possibles d'une moyenne d'échantillon.

(V/F)

3. La valeur attendue (moyenne) est égale à la moyenne de la population dont provient le

un échantillon est choisi.

(V/F)

4. À mesure que la taille de l'échantillon augmente, la distribution d'échantillonnage de la moyenne s'approche

la distribution normale indépendamment de la distribution de la population.

(V/F)

5. Une taille d'échantillon de n ≥ 30 est considérée comme suffisamment grande pour appliquer le théorème central.

théorème.
(V/F)

[Link] error of the mean is the standard deviation of the sampling distribution
de la moyenne.

(F/V)

[Link] finite correction factor may be omitted ofn< 0.5 N.

(V/F)

8. Les principes de l'« inertie des grands nombres » et de la « régularité statistique » gouvernent
échantillonnage aléatoire.

(V/F)

9. Chaque membre de la population est testé dans une enquête par échantillon.

(V/F)

10.L'échantillonnage aléatoire simple est une méthode d'échantillonnage non probabiliste.

(V/F)

11. La valeur attendue (moyenne) des échantillons tirés aléatoirement d'une population est toujours
même.

(V/F)

12. L'erreur standard devient stable avec une augmentation de la taille de l'échantillon.
(V/F)

13. Le principe de 'l'inertie des grands nombres' est un corollaire du principe de

régularité statistique

(V/F)

L'échantillonnage par grappes est une méthode d'échantillonnage non aléatoire.

(V/F)

La méthode d'échantillonnage par quotas est utilisée lorsque la population est largement dispersée.

Choix multiple

16. Lequel des éléments suivants est le principe sur lequel est basée la théorie de l'échantillonnage ?

1. Récurrence statistique
2. L'inertie des grands nombres
3. À la fois (a) et (b)
4. Aucun des éléments ci-dessus

17. Lequel des éléments suivants est la méthode non aléatoire de sélection des échantillons d'une
population ?
1. Échantillonnage à plusieurs niveaux
2. Échantillonnage en grappes
3. Échantillonnage par quota

4. Tout ce qui précède

18. La distribution d'échantillonnage de la proportion est approximée par une normale

distribution quand
[Link]≥ 5
[Link]≥ 5
3. À la fois (a) et (b)
4. aucun des éléments ci-dessus

19. Le facteur de correction fini est appliqué lorsque la proportion d'échantillonnage est

supérieur à 0,05
supérieur à 0,50
moins de 0,50
 aucun de ceux-ci
20. La distribution d'échantillonnage de la moyenne est normale à condition que

1. La distribution de la population est normale

2. La distribution de la population n'est pas normale mais la taille de l'échantillon est grande (n≥ 30)
3. La distribution de la population est approximativement la distribution normale avec une moyenne μ et
écart type
4. tout ce qui précède

[Link] réduire l'erreur standard de proportion de 50%, la taille de l'échantillon est augmentée
par un facteur de

1. 2
2. 4
3. 8
Aucun des éléments ci-dessus

[Link] précision de la proportion en tant qu'estimateur de la proportion de la population est pire

quand c'est

0,25
2. 0,50
3. 0,75
4. aucun des éléments ci-dessus

23. Le théorème central limite assure que la distribution d'échantillonnage de la moyenne

1. est toujours normal

2. est toujours normal pour de grandes tailles d'échantillons
3. L'approche de la distribution normale à mesure que la taille de l'échantillon augmente
4. aucun des éléments ci-dessus

24. Pour une population normalement distribuée, la distribution d'échantillonnage de la moyenne

1. est également normalement distribué

a une moyenne égale à la moyenne de la population
3. À la fois (a) et (b)
4. aucun des éléments ci-dessus

25. Une différence significative entre la statistique et la valeur paramétrique implique que

1. valeurs statistiques utilisées pour approximer le paramètre

2. La statistique d'échantillon est représentative de la population
3. la différence est réelle
4. aucun des éléments ci-dessus

26. Si la population est finie, alors l'erreur standard de la moyenne est donnée par

1.
 2.

3.

4.

27. Pour une distribution d'échantillonnage de la moyenne, les 95 pour cent centraux des observations sous
la courbe est couverte dans la plage
1.
2.
3.
4. aucun des éléments ci-dessus

28. Pour une distribution d'échantillonnage de proportion, les limites les plus probables pour p sont

1.
2.
3.
4. aucun des éléments ci-dessus

29. Si la proportion de la population est de 0,5 et que l'erreur standard de la proportion d'échantillon est
0,01, alors la taille de l'échantillon requise est

250
2. 2500
3000
4. 3500

30. La distribution d'échantillonnage est approximativement la distribution t avec des degrés de

liberté

1.n
2n - 1
3.n – 2
4. 2n - 1

31. L'application du théorème central limite garantit que l'échantillonnage

distribution de la moyenne

1. est normal
2. est normal pour une grande taille d'échantillon
3. approcher la normale à mesure que la taille de l'échantillon augmente

4. tout cela

32.L'utilisation du théorème central limite est liée à

1. la forme de la distribution d'échantillonnage

2. les statistiques d'échantillon pour estimer les paramètres de la population
 3. taille d'échantillon large de plus de 30 observations
4. tous ceux-ci

33. Il n'est pas nécessaire d'utiliser le multiplicateur de population finie lorsque

1.p≥ 0,05
[Link]≥ 0,05
3.p+q= 1
aucun de ceux-ci

34. La distribution d'échantillonnage de la moyenne et de l'écart type est très proche de la

distribution normale standard, à condition que

1. la distribution de la population est normale

2. la distribution de la population n'est pas normale mais la taille de l'échantillon est grande

3. À la fois (a) et (b)

4. soit (a) soit (b)

35. Laquelle des méthodes suivantes est la méthode de probabilité pour sélectionner des échantillons d'un
population ?
Échantillonnage par quota
2. Échantillonnage par objectif
3. Échantillonnage par jugement

Aucun de ceux-ci

Réponses au Quiz Concepts

1.T 2.T 3.T 4.T 5.F

6.T 7.T 8.T 9.F 10.F

11.F 12.F 13.T 14.F 15.F

16.(c) 17.(c) 18.(c) 19.(d) 20.(d)

21.(b) 22.(b) 23.(c) 24.(c) 25.(c)

26.(b) 27.(b) 28.(a) 29.(b) 30.(b)

31.(c) 32.(b) 33.(d) 34.(d) 35.(a)

Revoir les problèmes d'auto-pratique

8.16 Un auditeur prend un échantillon aléatoire de taille n = 36 d'une population de 1000
les comptes clients. La valeur moyenne des comptes clients pour la population est
Rs 260 avec l'écart type de la population Rs 45. Quelle est la probabilité que
la moyenne d'échantillon sera inférieure à 250 Rs ?
Un analyste de recherche marketing sélectionne un échantillon aléatoire de 100 clients sur
les 400 qui ont acheté un article particulier du magasin central. Les 100 clients
a dépensé en moyenne 250 Rs avec un écart type de 70 Rs. Pour un milieu de 95 par
cent clients, déterminez le montant moyen d'achat pour les 400 clients.
8.18Dans une mine de charbon particulière, en moyenne, 5000 employés ont 58 ans.
avec un écart-type de 8 ans. Si un échantillon aléatoire de 50 employés est pris,
quelle est la probabilité que l'échantillon ait un âge moyen inférieur à 60
années ?
8.19Un échantillon aléatoire simple de 50 billes en métal prélevé parmi un grand nombre étant
fabriqué a un poids moyen de 1,5 kg par roulement avec un écart type de
0,1 kg.

1. Estimez la valeur de l'erreur standard de la moyenne

2. Si un échantillon de 50 billes est prélevé d'un cycle de production particulier qui inclut
juste 150 roulements comme la population totale, puis estimez l'erreur standard de la moyenne
et le comparer au résultat de la partie (a).

8.20 Une proportion de population est de 0,40. Un échantillon aléatoire simple de taille 200 sera
pris et la proportion d'échantillon sera utilisée pour estimer la proportion de la population,
quelle est la probabilité que la proportion d'échantillon soit dans une plage de ± 0,03 de la
proportion de la population?
8.21 Un directeur des ventes d'une entreprise croit que 30 pour cent des commandes de l'entreprise proviennent
des clients pour la première fois. Un échantillon aléatoire simple de 100 commandes sera utilisé pour
estimez la proportion de clients pour la première fois. Supposons que le responsable des ventes est
correct et proportion est 0,30.
1. Justifiez la distribution d'échantillonnage de la proportion pour ce cas
2. Quelle est la probabilité que la proportion échantillonnée se situe entre 0,20 et 0,40 ?

8.22 Le diamètre d'un tuyau en acier fabriqué dans une grande usine devrait être
environ normalement distribué avec une moyenne de 1,30 pouces et un écart type
déviation de 0,04 pouce.
1. Si un échantillon aléatoire de 16 tuyaux est sélectionné, quelle est la probabilité que de manière aléatoire
le tuyau sélectionné aura un diamètre compris entre 1,28 et 1,30 pouces ?
2. Entre quelles deux valeurs 60 pour cent des tuyaux tomberont-ils en termes de diamètre ?

Hints and Answers

8.16
8.17

8.18

8.19
 C'est inférieur à la valeur de la partie (a) en raison du facteur de correction fini.
8,20

8.21

1. Puisque bothnp= 100 (0.30) = 30 et nq=n(1 –p) = 100 (0.70) = 70 sont supérieurs à 5,
la distribution normale est appropriée à utiliser
2.

8.22