13 Echantillonage

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’éléments pris
au 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 de
suite, on tire au hasard un élément de la population pour noter un résultat le
concernant , sans le remettre dans cette population.
On a une suite de n prélèvements d’un élément dans la population qui ne sont pas
indépendants 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 le
concernant, on le remet ensuite dans cette population.
On a une suite de n prélèvements d’un élément dans la population qui sont
indépendants 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 éléments
est avec remise ou non exhaustif.
Considérons les n variables aléatoires X
1
, X
2
, …, X
n
où 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 de
probabilité (celle fournie par X ) et ont toutes la même espérance m et le même écart type 
La variable aléatoire ) ... (
1
2 1 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 :
① X est une variable aléatoire d’espérance m et d’écart type
n

.
② Si X suit la loi normale N (m ; ), X suit la loi normale N (m ;
n

).
③ 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

① Une machine fabrique des pièces de forme circulaire en grande série. A chaque pièce tirée
au hasard, on associe son diamètre exprimée en millimètres ; on définit ainsi une variable
aléatoire X.
On suppose que X suit la loi normale N ( u ; o ) où u = 150 et o = 0,21.
Soit M la variable aléatoire qui, à chaque échantillon de 400 pièces prélevées au hasard et
avec 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(u – h ≤ M ≤ u + h ) = 0,95.

② Une machine fabrique des pièces en grande série. À chaque pièce tirée au hasard, on
associe sa longueur exprimée en millimètres ; on définit ainsi une variable aléatoire X.
On suppose que X suit la loi normale N ( m ; o ) où m = 28.20 et o = 0,027.
Soit M la variable aléatoire qui, à tout échantillon aléatoire non exhaustif de taille n, associe la
moyenne des longueurs des pièces de l’échantillon.
a) Déterminer la loi suivie par la variable aléatoire M .
b) Déterminer n pour que P( 28,195 ≤ M ≤ 28.205 ) ≥ 0,95.

Corrigés

① a)
20
21 , 0
400
=
o
=0,0105 et M suit la loi normale N (150 ; 0,0105) ; T=
0105 , 0
150 ÷ M
suit la loi
normale N (0 ; 1).
b) Avec 0< h,
P(u – h ≤ M ≤ u + h ) = P ( -h <M–µ=M–150< h) =P ( )
0105 , 0 0105 , 0 0105 , 0
h µ M
T
h
<
÷
= < ÷
soit P(u – h ≤ M ≤ u + h ) = 2 H (
0105 , 0
h
) – 1.
____________________________________
0.95 = 2 H (
0105 , 0
h
) – 1 pour 2 H (
0105 , 0
h
) = 1,95 soit pour H (
0105 , 0
h
) = 0,9750 .
______________________________________
Avec les tables numériques, on fait l’approximation suivante :
0.95 = P(u – h ≤ M ≤ u + h ) pour
0105 , 0
h
= 1,96 soit pour h = 0,02 058 .

② a) M suit la loi normale N ( m ; )
n
o
= N ( 28,2 ;
n
027 , 0
).
b) T = ) 2 , 28 (
027 , 0
/ 027 , 0
2 , 28
÷ =
÷
M
n
n
M
suit la loi normale N (0 ;1).
Soit q = P( 28,195 s M s 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
< T =
027 , 0
n
(M–28,2)<0,005
027 , 0
n
) d’où
q= P( - )
27
5
27
5
n T n s s = 2 H ( n
27
5
) –1
ainsi 0,95 < q · 1,95 < 2 H ( n
27
5
) · 0,9750 < H ( n
27
5
).
___________________________

On fait l’approximation 0,9750= H( 1,96) et ainsi 0,9750 < H ( n
27
5
) pour 1,96 < n
27
5
,
soit pour n <
×
5
27 96 , 1
, ou encore (
5
27 96 , 1 ×
)
2
< n où
5
27 96 , 1 ×
≈ 112,02

Finalement 0,95 < q pour 113 < n.

Finalement 0,95 < P( 28,195 s M s 28,205) pour 113 < n .
4 Étude de la fréquence d’une propriété
On considère une population dont une proportion p de la population possède une certaine
propriété.

∗ On fait un tirage non exhaustif dans la population pour former un échantillon de taille n.
Soit S la variable aléatoire donnant le nombre d’éléments de cet échantillon qui possèdent la
propriété considérée.

Pour constituer l’échantillon, on a une suite de n épreuves :
 Chaque épreuve consiste à tirer au hasard un élément de la population, à donner un
résultat dans l’alternative [« propriété réalisée », «propriété non réalisée »], on remet
alors cet élément dans la population.
 Dans n’importe la quelle des épreuves, p est la probabilité d’obtenir le résultat
« propriété réalisée » .
 Ces n épreuves se déroulent de façon indépendante.

A la fin de cette suite de n épreuves, S donne le nombre de fois que l’on a trouvé le résultat
« propriété réalisée ». De cette manière :
S suit la loi binomiale ℬ(n ; p) ; S a pour espérance np et écart type ) 1 ( p np  .

Soit F =
n
1
S ; F est la variable aléatoire qui donne la proportion d’éléments de l’échantillon
qui possèdent la propriété considérée.

Comme
n
1
(np)= p et
n
p p
n
p np
p np
n
) 1 ( ) 1 (
) 1 (
1
2



  ,
F a pour espérance
n
1
(np)= p et pour écart type
n
p p ) 1 ( 
.

∗∗ En fait pour n suffisamment grand,
F suit approximativement la loi normale N (p ;
n
p p ) 1 ( 
).

∗∗∗ Remarque
S et F sont 2 variables aléatoires discrètes :
S peut prendre pour valeur toute nombre k entier compris entre 0 et n, F peut prendre pour
valeur tout fraction
n
k
où k est un entier compris ente 0 et n.
Ainsi dans l’approximation de la loi de F par la loi normale N (p ;
n
p p ) 1 ( 
), on peut être
amené à effectuer une correction de continuité.


5 Exemple

Dans une population on constate qu’il naît 52 % de garçons et 48 % de filles.
On suppose que la variable aléatoire F qui, à tout échantillon de taille n = 400 prélevé au
hasard et avec remise dans la population, associe le pourcentage de garçons dans cet
échantillon suit une loi normale N (p ; o ).
On se propose de prélever un échantillon aléatoire non exhaustif de 400 nouveau-nés.

1. Quelles valeurs prend-on pour p et o ?.
2. Quelle est la probabilité d’avoir dans un tel échantillon, un pourcentage de garçons compris
entre 50 % et 54 % ?
3. Quelle est la probabilité d’avoir, dans un tel échantillon, un pourcentage de filles inférieur à
45 % ?

Résolution

On transforme les pourcentages en nombres décimaux et on considère que F est la variable
aléatoire qui, à tout échantillon de taille n = 400 prélevé au hasard et avec remise dans la
population, associe la proportion de garçons dans cet échantillon.

1. F suit une loi normale N (p ; o ) .
On prend p= 0,52 (avec 1–p = 0,48) et
o = 39
100
1
10
4
100 100
3 13
10
4
100
16 03 , 0 13 , 0
400
48 , 0 52 , 0 ) 1 (
× =
×
×
=
× ×
=
×
=
÷
n
p p
,
soit o = 0,004 39 .

T= ) 52 , 0 (
39
250
) 52 , 0 (
39 004 , 0
1
÷ = ÷ =
÷
F F
p F
o
suit la loi normale N (0 ;1).

2. On fait intervenir des événements équivalents et leur probabilité :
P(0,5 s F s 0,54) = P( -0,02 s F– 0,52 s 0,02) soit
P(0,5 s F s 0,54)= P( -0,02 ×
39
250
s
39
250
(F–0,52) s 0,02×
39
250
) soit
P(0,5 s F s 0,54) = P( -
39
5
s T s
39
5
) = 2 H (
39
5
) –1 .

On fait des approximations
39
5
=0,80 et H (
39
5
)= 0,7881, alors P(0,5 s F s 0,54) = 0,58 .

3. L’événement étudié est (0,55 < F) et on a en faisant intervenir des événements équivalents
P(0,55 < F) = P (0,03 < F– 0,52) = P( 0,03×
39
250
<
39
250
( F– 0,52)) soit
P(0,55 < F) = P ( T <
39
5 , 7
) = 1– H (
39
5 , 7
) .
On fait des approximations
39
5 , 7
=1,20 et H (
39
5 , 7
) = 0,8849, alors P(0,55 < F) = 0,12 .

Sign up to vote on this title
UsefulNot useful