Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
6Activity
0 of .
Results for:
No results containing your search query
P. 1
DocS4 Echantillonnage Estimation

DocS4 Echantillonnage Estimation

Ratings: (0)|Views: 1,328 |Likes:
Published by [AE]

More info:

Published by: [AE] on Dec 04, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/17/2013

pdf

text

original

 
Université de MetzIUT Thionville
 – 
YutzS1M1
 – 
MathématiquesFrédéric Quignon 1
Doc S4
 – 
Echantillonnage & Estimation
Echantillonnage
ou « Comment, à partir d'informations connues sur une population (moyenne & écart-type ouproportion), peut-on prévoir celles d'un échantillon ? »
Moyenne
d’un échantillon
 
Soit une population sur laquelle est définie une variable aléatoire X dont on connaîtl'espérance (ou la moyenne) et l'écart-type .Notons
 X 
la variable aléatoire qui, à chaque échantillon de taille n, associe sa moyenne (
 s'appelle encore la distribution des moyennes de
l’échantillon
).Théorème Central Limite (De Moivre & Laplace)Si la VA
X
suit une
loi normale sur la population
, soit si X ~
 N 
( ; ),Alors la
moyenne
 X 
 
de l’échantillon
de taille n, prélevé au hasard (et assimilé à un tirageavec remise),
suit également une loi normale
, telle que :
 X 
~
n N 
,
 
Si la VA
X
suit une
loi quelconque sur la population
, avec E(X) = et Var(X) = ,Alors la
moyenne
 X 
 
de l’échantillon
de taille n,
avec n ≥ 30
, prélevé au hasard (et assimiléà un tirage avec remise),
suit approximativement une loi normale
, telle que :
 X 
~
n N 
,
 Rem : on remarque une atténuation de la dispersion par le processus d'échantillonnage.
Proportion dans un échantillon
Soit le caractère A, distribué dans la population entière avec une proportion
 p
.Notons F la VA qui, à chaque échantillon de taille n, associe sa proportion du caractère A (Fs'appelle distribution des fréquences
de l’échantillon
).On retiendra le théorème suivant :Soit un caractère A, répandu dans une population avec une fréquence
 p
.Un échantillon de taille n (prélevé avec remise), et tel que
n
30
, présente une fréquence F ducaractère A telle que la VA
F suit approximativement une loi Normale
, selon :F ~
n p p p N 
)1(,
 
 
Université de MetzIUT Thionville
 – 
YutzS1M1
 – 
MathématiquesFrédéric Quignon 2
Estimation
ou « Comment, à partir d'informations calculées sur un échantillon (moyenne & écart-type ouproportion), estimer celles d'une population entière ? »
Estimation d’une moyenne
 a) Estimation ponctuelle
Soit X une VA sur une population de moyenne (ou espérance)
 µ
inconnue et d'écart-type
 
(connu ou non).On suppose que l'on a prélevé un échantillon de taille n (tirage avec remiseou assimilé) sur lequel on a calculé la moyenne
 µ
Sple
et l'écart-type
Sple
.
 Une estimation ponctuelle
ˆ
de la moyenne
 µ
de la population est :
Sple
 
ˆ
 Une estimation ponctuelle
ˆ
de l'écart-type de la population est :
Sple
nn
1
 
ˆ
 
1
nn
s’appelle le
coefficient de biais. Il est voisin de 1 pour n suffisamment grand.(Ex : pour n = 30, ce coefficient vaut environ 1,017. Dans ce cas,
 
Sple
est un estimateuracceptable de .)Exemple : dans une université de 10 000 étudiants, on vérifie la taille de 25 étudiants pris auhasard.La moyenne µ 
Sple
et l'écart-type
 
Sple
pour cet échantillon valent :µ 
Sple
= 176 cm et
Sple
= 6 cmNous pouvons donc estimer les paramètres de la population par :
ˆ
= 176 cm et
ˆ
= (25/24) x 6 6.124 cm
Ce n’est qu’une estimation de la valeur vraie pour la populati
on entière. Pour apprécier
l’imprécision de cette estimation et le risque associé de se tromper en adoptant cetteestimation ponctuelle, il est par exemple recours à l’estimation par intervalle de confiance
(IC).
b) Estimation par intervalle de confiance
Nous savons, avec le Théorème Central Limite, que la VA
 X 
, correspondant à la moyenne
d’un échantillon de taille n pris au hasard
dans la population considérée, suit, pour nsuffisamment grand, une loi normale selon :
 X 
~
n N 
,
 Pour un niveau de risque arbitrairement choisi (par exemple, de 5%), nous allons chercher unintervalle autour de µ, de largeur r, tel que :
Pr 
(
 X 
≤  
 
≤  
 
 X 
) 0,95
C’est
-à-dire que, dans 95% des cas, la moyenne µ de la population tombe effectivement dans
l’intervalle
 X 
± r.
 
Université de MetzIUT Thionville
 – 
YutzS1M1
 – 
MathématiquesFrédéric Quignon 3Autrement dit, on a aussi :
Pr 
(
 µ
≤  
 
 X 
≤  
 
 µ
) 0,95
b.1) connu
Introduisons maintenant la VA
 Z 
.Par définition,
n X  Z 
)(
suit une loi normale centrée réduite : Z ~
 N 
(0 , 1).Ainsi, estimer
Pr 
(
 µ
 
≤  
 
 X 
≤  
 
 µ
) 0,95 revient à estimer :
n Z n
Pr
= 0.95Or, comme
 z Z  z
Pr
= 2
 
(
 z
)
 – 
1, il vient :
1
 
n
2
 – 
1 = 0.95, ou encore :
n
= 0.975.Dans la table de la loi normale centrée réduite, on peut lire :
975.0
 
 z
.Cette valeur correspond à
z = 1.96
.
[Dans Excel-FR
 , la valeur s’obtient av
ec :« =LOI.NORMALE.STANDARD.INVERSE(0,975) », ou bien « =NORMSINV(0.975) dans XL-UK]]
Remarques :de même, pour un IC au seuil de 1% de risque,
995.0
 
 z
correspond à
z = 2.575
une autre appellation courante pour la fonction de répartition d’une loi N(0,
1) est
)(
 z
(=
 
 z
)
Ainsi, le choix d’un niveau de risque décide de la valeur de
z
, ainsi que de la largeur
 
de l’IC,
puisque :
n z
ou
n z
 
1
 
A titre d’exercice, développez ces 3 lignes
 

Activity (6)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads
Sanaa Salhi liked this
Lafay Lafac liked this
Lafay Lafac liked this
patrice972 liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->