Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Look up keyword
Like this
3Activity
0 of .
Results for:
No results containing your search query
P. 1
13 Echantillonage

13 Echantillonage

Ratings: (0)|Views: 173|Likes:
Published by lvtmath

More info:

Published by: lvtmath on Jun 26, 2010
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

08/30/2010

pdf

text

original

 
Echantillonnage____________1
Le problème de l’échantillonnage
 
Il s’agit de déterminer des propriétés concernant des échantillons prélevés dans une
population donnée.Nous ne considérons ici que des échantillons aléatoires, c'est-à-
dire constitués d’éléme
nts prisau hasard dans la population.Pour former un échantillon de taille
n
:
 – 
 
Le tirage des
n
éléments de la population peut être
sans remise
ou
exhaustif 
:
n
fois desuite, on tire au hasard un élément de la population pour noter un résultat leconcernant , sans le remettre dans cette population.On a une suite de
n
 
 prélèvements d’un élément dans la population
qui ne sont pasindépendants les uns des autres.
 – 
 
Le tirage des
n
éléments de la population peut être
avec
 
remise
ou
non
 
exhaustif 
:
n
 fois de suite, on tire au hasard un élément de la population pour noter un résultat leconcernant, on le remet ensuite dans cette population.On a une suite de
n
 
 prélèvements d’un élément dans la population
qui sontindépendants les uns des autres.2 Étude de
la moyenne d’un échantillon
 On considère une population sur laquelle est définie une variable numérique
 X 
de moyenne ou
d’espérance
m
 
et d’écart type
  
.Prélevons dans cette population un échantillon aléatoire de taille
n
, le tirage de ces
n
élémentsest avec remise ou non exhaustif.Considérons les
n
variables aléatoires
 X 
1
,
 X 
2
, …,
 X 
n
 X 
i
donne la valeur fournie par
 X 
, à
l’élément
obtenu au
i
ème
tirage.Les
n
variables aléatoires
 X 
1
,
 X 
2
, …,
 X 
n
sont indépendantes et suivent la même loi deprobabilité (celle fournie par
 X 
) et ont toutes la même espérance
m
et le même écart type
  
 La variable aléatoire
)...(1
21
n
 X  X  X n X 
associe à cet échantillon sa moyenne(concernant la variable numérique
 X 
).
D’après le chapitre précédent, on a les résultats suivants
:
 
 X 
 
est une variable aléatoire d’espérance
m
et d
’écart type
n
  
.
 
Si
 X 
suit la loi normale
N   
(
m
;
  
),
 X 
suit la loi normale
N   
(
m
;
n
  
).
 
Pour
n
suffisamment grand,
 X 
suit approximativement la loi normale
N   
(
m
;
n
  
).Remarque : 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.
 
 
3
Étude d’exemples
 Énoncés
Une machine fabrique des pièces de forme circulaire en grande série. A chaque pièce tiréeau hasard, on associe son diamètre exprimée en millimètres ; on définit ainsi une variablealéatoire
 X 
.On suppose que
 X 
suit la loi normale
N   
(
 
 
 
;

) où
 
150 et

=
0,21.Soit
 M 
la variable aléatoire qui, à chaque échantillon de 400 pièces prélevées au hasard etavec remise, associe la moyenne des diamètres des pièces de cet échantillon.a)
 
Déterminer la loi suivie par la variable aléatoire
 M 
.b)
 
Déterminer le nombre positif 
h
tel que
P(

 – 
h
 
 M 
 
 
+
h
) = 0,95.
Une machine fabrique des pièces en grande série. À chaque pièce tirée au hasard, onassocie sa longueur exprimée en millimètres ; on définit ainsi une variable aléatoire
 X 
.On suppose que
 X 
suit la loi normale
N   
(
m
;

) où
m
 

et

=
0,027.Soit
 M 
la variable aléatoire qui, à tout échantillon aléatoire non exhaustif de taille
n
, associe lamoyenne des longueurs des pièces de
l’
échantillon.a)
 
Déterminer la loi suivie par la variable aléatoire
 M 
.b)
 
Déterminer
n
pour que
P(
8,195
 M 
 

 
) ≥
0,95.Corrigés
a)
2021,0400
 
=0,0105 et
 M 
suit la loi normale
N   
(150 ; 0,0105) ;
T=
0105,0150
 M 
suit la loinormale
N   
(0 ; 1).b) Avec 0<
h
,
P(

 – 
h
 
 M 
 
 
+
h
) =
P
(
-h
<
 M 
 – 
 µ=M 
 – 
150<
h
) =
P
(
)0105,00105,00105,0
h µ M h
 soit
P(

 – 
h
 
 M 
 
 
+
h
) = 2


0105,0
h
)
 – 
1.____________________________________

2


0105,0
h
)
 – 
1 pour 2


0105,0
h
) = 1,95 soit pour


0105,0
h
) = 0,9750 .______________________________________Avec les tables numériques, on
fait l’approximation suivante
:

P(

 – 
h
 
 M 
 
 
+
h
) pour
0105,0
h
= 1,96 soit pour
h
= 0,02 058 .
a)
 M 
suit la loi normale
N   
(
m
;
)
n
 
=
N   
( 28,2 ;
n
027,0
).b)
=
)2,28( 027,0 / 027,0 2,28
 M nn M 
suit la loi normale
N   
(0 ;1).Soit
q
=
P
( 28,195
 
 M 
 
 
28,205), on fait intervenir des probabilités d’événements
équivalents :
q
=
P
( -0,005 <
 M 
 – 
28,2<0,005) soit :
 
q = P
( -0,005
027,0
n
<
=
027,0
n
(
 M 
 – 
28,2)<0,005
027,0
n
) d’où
q=
 
P
( -
)275275
nn
= 2

(
n
275
)
 – 
1ainsi 0,95 <
q
 
1,95 < 2

(
n
275
)
0,9750 <

(
n
275
).___________________________
On fait l’approximation 0,9750=
  
1,96) et ainsi 0,9750 <

(
n
275
) pour 1,96 <
n
275
,soit pour
n
52796,1
, ou encore (
52796,1
)
2
<
n
52796,1
≈ 112,02
 Finalement 0,95 <
q
pour 113 <
n
.Finalement 0,95 <
P
( 28,195
 
 M 
 
28,205) pour 113 <
n
.

You're Reading a Free Preview

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