IUT Digne DUT QLIO 2

2014-2015 Statistiques

Échantillonnage

1 Principe de l'échantillonnage

La théorie de l'échantillonnage consiste à déterminer des propriétés sur des échan-

tillons tirés au hasard parmi une population dont on connait les propriétés.
On considérera dans la suite uniquement des tirages aléatoires d'échantillons. Le
tirage d'éléments dans une population peut-être fait de façon exhaustive ( c'est-à-
dire sans remise) ou de façon non-exhaustive (avec remise). Dans ce dernier cas, les
tirages sont indépendants.
En pratique, lorsque la population a un grand eectif, on tire seulement un faible
nombre d'éléments et l'on assimile un tirage sans remise à un tirage avec remise.

2 Échantillonnage de variables aléatoires

Soit X une variable aléatoire dénie sur la population mère Ω de taille N et E

un échantillon de taille n ≤ N issu de cette population, on note cet échantillon
E = (ω1 , . . . , ωn ).
A chaque individu ωi de cet échantillon, on associe une valeur: xi = X(ωi ) et on
note Xi la variable aléatoire qui à E associe xi .
Exemple 1.
Ω=les étudiants de la classe;

X= cette variable aléatoire associe à chaque étudiant sa note au contrôle;

E =une suite de trois étudiants tirés au hasard;

n=3;

X1 est la variable aléatoire qui donne la note de contrôle du premier étudiant de

l'échantillon;

x1 est la note du premier étudiant de l'échantillon;

Si l'échantillonnage est non-exhaustif (avec remise), les variables aléatoires Xi

sont indépendantes et suivent la même loi que la variable aléatoire X.
On appelle statistique toute variable aléatoire Y qui est uniquement dépendante
de X1 , . . . , X n . Le but de l'échantillonnage est de déterminer la loi de la statistique
Y en fonction de la loi de X qui est connue.

Exemple 2. On peut s'intéresser à la moyenne de X sur l'échantillon:

X 1 + . . . + Xn
Y := Mn = .
n
1
C'est une statistique qui à chaque échantillon associe la moyenne de X sur l'échantillon
( dans notre exemple précédent X représentait des notes).

Exemple 3. On peut aussi bien s'intéresser à la variance de X sur un échantillon:

2
2
X1 − Xn + . . . + Xn − Xn
Y := Sn2 = .
n

2.1 Quelques rappels de probabilités

Dénition 1. Deux variables aléatoires X et Y sont dites indépendantes si pour

tous évènements A et B, on a:

P(A et B) = P(A) × P(B).

Proposition 1. Si X et Y sont deux variables aléatoires et si a et λ sont des
nombres réels, alors:

E(X + a) = E(X) + a V (X + a) = V (X)

E(λX) = λ E(X) V (λX) = λ2 V (X)
E(X + Y ) = E(X) + E(Y ) V (X + Y ) = V (X) + 2COV (X, Y ) + V (Y )

Proposition 2. Si X et Y sont deux variables aléatoires indépendantes alors:

Cov(X, Y ) = 0 V (X + Y ) = V (X) + V (Y ).

2.2 Cas des lois normales

Théorème 1. Soit X une variable aléatoire de loi N (µ , σ ) et Y une variable 2

aléatoire de loi N (µ , σ ). Si les variables X et Y sont indépendantes, alors la

1 1
2

variable aléatoire X + Y suit une loi N (µ + µ , σ + σ ).

2 2
2 2
1 2 1 2

Cette proposition est très importante dans le cas de l'échantillonnage. En eet,

supposons que nous avons une variable aléatoireX suivant une loi normale N (µ; σ 2 ),
alors les variables aléatoires Xi sont indépendantes et suivent la même loi normale
N (µ; σ 2 ). En utilisant la proposition ci-dessus, on obtient facilement que la moyenne
σ2
sur l'échantillon Mn suit une loi normale N (µ; ).
n

2.3 Cas général

Si la variable aléatoire X suit une loi quelconque, on peut déterminer la loi de Mn

lorsque n est grand. Une version précise de cet énoncé est donnée par le théorème
suivant.

Théorème 2. (Théorème de la limite centrale) Soit (Xi )i∈N une suite de vari-
ables aléatoires indépendantes suivant toutes la même loi de moyenne µ et de vari-
ance σ . Alors pour n susamment grand (disons n ≥ 30), la variable aléatoire
2

X1 + . . . + Xn
Mn :=
n
suit approximativement une loi normale N (µ; ). σ2
n

2
3 Distribution d'échantillonnage

Grâce aux résultats que nous venons d'énoncer, nous allons pouvoir étudier ci-
dessous deux cas particuliers d'échantillonnage.

3.1 Distribution d'échantillonnage des moyennes

Considérons une population ayant une certaine propriété avec une moyenne µ et une
2
variance σ .
Soit Mn la variable aléatoire qui à tout échantillon aléatoire (prélevé avec remise)
d'eectif n xé, associe la moyenne de cet échantillon.
Alors en appliquant le théorème de la limite centrale, on remarque que pour n
susamment grand (n ≥ 30),
σ2
Mn suit approximativement la loi normale N (µ; ).
n
Remarque 1. On a les remarques suivantes :

• On considère en générale que n est susamment grand pour utiliser les résul-
tats précédents lorsque n ≥ 30.
• Si le caractère étudié sur la population suit une distribution normale, on peut
utiliser ces résultats même si n est petit.

Exemple 4. Les statistiques des notes obtenues au BAC STI 2006 en France sont:

Moyenne nationale: µ = 10, 44,

Écart-type: σ = 1, 46.
Une classe de BTS comporte 35 élèves en 2006/2007, tous issus d'une BAC STI en
2006.

Quelle est la probabilité que la moyenne des notes de BAC de cette classe soit
supérieure à 10?

3
3.2 Distribution d'échantillonnage des pourcentages

Considérons une population dont un pourcentage p d'éléments possède une certaine

propriété.
Soit Kn la variable aléatoire qui, à tout échantillon aléatoire (prélevé avec remise)
d'eectif n xé, associe le nombre d'individus qui ont la propriété étudiée. On sait
que Kn suit une loi binomiale B(n; p).
Alors en appliquant le théorème de la limite centrale, on remarque que pour n
susamment grand,

Kn suit approximativement la loi normale N (np; np(1 − p)).

Kn
On s'intéresse ensuite à Fn =
n
la variable aléatoire qui, à tout échantillon
aléatoire (prélevé avec remise) d'eectif n xé, associe la fréquence avec laquelle les
éléments de cet échantillon possèdent cette propriété.
Alors on déduit que pour n susamment grand,

p(1 − p)
Fn suit approximativement la loi normale N (p; ).
n
Exemple 5. Une élection a eu lieu et un candidat a eu 40% des voix. On prélève
un échantillon de 100 bulletins de vote.

Quelle est la probabilité que, dans l'échantillon, le candidat ait entre 35% et 45%
des voix?

4
4 Une petite remarque technique

Lorsqu'on travaille concrètement avec des lois normales, on travaille souvent sur des
tables de loi normale car cette dernière est très dicile à calculer. Or ces tables
donnent des valeurs de la fonction de répartition de la loi normale N (0; 1).
Mais en pratique, nous avons aaire à des lois normales ayant des paramètres qui
peuvent être bien diérents. Il est alors important de savoir se ramener au cas
N (0; 1).

Proposition 3. Si X suit une loi normale N (µ; σ 2 ), alors la variable aléatoire

X −µ
σ
suit une loi N (0; 1).