Scribd
Importer
52 vues15 pages

Seance - 6 - Distributions D'échantillonnage

La distribution d'échantillonnage est la distribution des statistiques obtenues à partir de plusieurs échantillons d'une même population, permettant d'estimer l'incertitude autour de la statistique. Elle est caractérisée par la moyenne échantillonnale et l'erreur-type, qui dépendent de la taille de l'échantillon et de la variabilité des observations. Le théorème central limite stipule que, pour un échantillon suffisamment grand, la distribution des moyennes échantillonnales suit une distribution normale.

Transféré par

pitroipa.ephraim
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Thèmes abordés

  • incertitude,
  • statistiques descriptives,
  • interprétation des résultats,
  • distribution symétrique,
  • moyenne et variance,
  • méthodes statistiques,
  • calcul de la moyenne,
  • calculs statistiques,
  • distribution rectangulaire,
  • écart-type
52 vues15 pages

Seance - 6 - Distributions D'échantillonnage

La distribution d'échantillonnage est la distribution des statistiques obtenues à partir de plusieurs échantillons d'une même population, permettant d'estimer l'incertitude autour de la statistique. Elle est caractérisée par la moyenne échantillonnale et l'erreur-type, qui dépendent de la taille de l'échantillon et de la variabilité des observations. Le théorème central limite stipule que, pour un échantillon suffisamment grand, la distribution des moyennes échantillonnales suit une distribution normale.

Transféré par

pitroipa.ephraim
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Thèmes abordés

  • incertitude,
  • statistiques descriptives,
  • interprétation des résultats,
  • distribution symétrique,
  • moyenne et variance,
  • méthodes statistiques,
  • calcul de la moyenne,
  • calculs statistiques,
  • distribution rectangulaire,
  • écart-type

DISTRIBUTION

D’ÉCHANTILLONNAGE
Dr Ivlabèhirè Bertrand MEDA

https://orcid.org/0000-0002-9717-3770
Qu’est-ce qu’une distribution
d’échantillonnage
• Lorsqu'on tire plusieurs échantillons d’une même population, les
statistiques varient

• Une distribution d’échantillonnage est la distribution de ces


statistiques

• Exemple : distribution des moyennes d’échantillons

• Elle permet d’estimer l’incertitude autour de la statistique


• Prenons une population fictive de 5 enfants et supposons que l’on
s’intéresse à leur âge.

• Le tableau 1 représente la distribution de la variable âge dans cette


population.

• Le tableau 2 montre tous les échantillons possibles de taille n=2 tirés


de cette population N=5. le tirage étant fait avec remplacement, on a
un total de 25 échantillons = 5!

• Le tableau 3 est la représentation d’échantillonnage de 𝑋"


Tableau 1: Distribution des âges dans une population fictive d’enfants.
Tableau 2: Tous les échantillons possibles de taille n=2 dans une
population N=5. moyenne échantillonnale entre parenthèses
Tableau 3: Distribution d’échantillonnage de la moyenne des âges
Figure 1: Distribution des âges dans la population
(uniforme ou rectangulaire)
Figure 2: Distribution d’échantillonnage de 𝑋" (symétrique, unimodale)
" on peut calculer la
• Connaissant la distribution d’échantillonnage de 𝑋,
probabilité que la moyenne échantillonnale se situe à ± 1 an de μ.

13
𝑃 9 ≤ 𝑋" ≤ 11 = = 0,52
25

• Calculons la moyenne et la variance de la distribution


d’échantillonnage.

∑' "
$%& 𝑋$ 6 + 7 + 7 + 8 … + 14
𝜇#" = = = 10
𝑁#" 25
# ∑ '
(𝑋
$%& $
% − 𝜇)#
(6 − 10)#
+(7 − 10)#
+ ⋯ + (14 − 10)#
𝜎"! = = =4
𝑁"! 25

• On remarque que:
𝜇"! = 𝜇

𝜎 # 𝜎
#
𝜎"! = ⇒ 𝜎"! =
𝑛 𝑛
• On dit que la moyenne échantillonnale est un estimateur non biaisé de la
moyenne paramétrique.

• Un estimateur non biaisé est un estimateur qui, en moyenne, égale le


paramètre qu’il tente d’estimer.
• L’écart-type de la distribution d’échantillonnage de la moyenne se
nomme l’erreur-type de la moyenne.

• 𝑋" est un estimateur (ponctuel) de μ et la valeur observée de 𝑋"


(estimé) dépend de l’échantillon obtenu.

• En général, l’estimé sera meilleur (c’est-à-dire plus proche de μ) si:


- La taille de l’échantillon n est grande
- La variabilité des observations (c’est-à-dire de X), dans la population
𝜎 # , est petite.
Théorème central limite
!
! "
𝑠𝑖 𝑋~Ν 𝜇, 𝜎 , 𝑎𝑙𝑜𝑟𝑠 𝑋~Ν 𝜎
𝜇, @𝑛

!
! "
𝑋~𝐷 𝜇, 𝜎 , 𝑒𝑡 𝑛 "sufIisamment" 𝑔𝑟𝑎𝑛𝑑, 𝑎𝑙𝑜𝑟𝑠 𝑋~Ν 𝜇, ⁄)
(

(théorème central limite)

• La principale raison du calcul de la moyenne échantillonnale est


l’estimation de la moyenne paramétrique et les moyennes
échantillonnales deviennent plus précises à mesure que la taille de
l’échantillon augmente.
Figure 3: Illustration du théorème central limite
Figure 4: Effet de la taille sur l’erreur-type de la distribution
d’échantillonnage
• Exercice: Dans une population masculine de 17 ans , l’épaisseur d’un
des plis cutanés a une moyenne de 9,7 millimètres et un écart-type
de ± 6 millimètres. Pour un échantillon aléatoire simple de 40
individus, quelle est la probabilité que la moyenne échantillonnale
soit entre 7 et 10,5 millimètres.

Vous aimerez peut-être aussi