CORRIGE DES EXERCICES : Distributions déchantillonnage
CORRIGE DES EXERCICES : Distributions d'échantillonnage - Intervalles de variation Exercice 1 P={élèves du secondaire} X= résultat de fluidité au test de pensée Créative de Torrance, variable quantitative de moyenne connue µ =20, et d'écart-type connu σ =6,5 dans P
9 Distributions déchantillonnage - GERAD
sa distribution mais avec des param etres inconnus Exemple 2 On fait l’hypoth ese que la taille des etudiant est distribu ee normalement : X˘N( ;˙2) mais on ne conna^ t pas les param etres et ˙2 (moyenne et variance) Ce sont ces param etres que l’on cherche a estimer MTH2302D: distributions d’ echantillonnage 7/46
Module 6 – Probabilité et échantillonnage
Module 6 – Exercices et corrigé 2 Exercices Section 1 1 Simplifiez les expressions suivantes : 2 Évaluez les expressions suivantes : 5 8 3 Les gestionnaires d’une entreprise de distribution de produits informatiques décident d’organiser un concours visant à motiver leurs vendeurs Quatre prix en argent seront attribués annuellement
Inférence Statistique: Résumés et exercices
Inférence statistiques : Résumés et exercices IED/université de Paris 8 R 2442 T 3 Distribution d’échantillonnage C’est la distribution, pour une statistique donnée, de l’ensemble des échantillons possibles Pour les variables numériques, la distribution d’échantillonnage est faite sur la moyenne
T D n 1 Les méthodes d’échantillonnage Correction
Frédéric Bertrand et Myriam Maumy-Bertrand 4èmeannée-ESIEA-2011/2012 T D no 1 Les méthodes d’échantillonnage Correction Exercice 1 Correction
Echantillonnages et estimations
Caractéristiques de la distribution de x 2 (v) • La distribution x 2 (v) est dissymétrique pour les petites valeurs de (v) • La distribution x 2 (v) c ommence à devenir symétrique à partir v=30 37
TD1: Population et échantillonEléments de corrigé
Exercice 1 Reconnaître les ariablesv aléatoires parmi la liste suivante : 1 la moyenne de la population 2 la taille de l'échantillon 3 la moyenne de l'échantillon 4 la plus grande aleurv de la population 5 la ariancev empirique de la population 6 la aleurv observée de l'estimation de la ariancev de la population variables aléatoires
02 Echantillonnage tudiant) - cours, examens
et l'effort d'échantillonnage consenti 2 Terminologie: Terme Définition Cadre d’échantillonnage Une liste d’élément à partir desquels l’échantillon est sélectionné Distribution d’échantillonnage Distribution de probabilité composée de toutes les valeurs possibles d’une statistique d’échantillon
Exercices corrigs de statistiques infrentielles
Exercices corrigés de statistiques inférentielles Exercice 1 Induction Une entreprise fabrique des sacs en plastique pour les enseignes de distribution Elle s'intéresse au poids maximal que ces sacs peuvent supporter sans se déchirer
[PDF] Petit mémento des énergies renouvelables - Agora21
[PDF] Exercices sur les équilibres chimiques : corrections - RPN
[PDF] Analyse comptable Analyse d 'exploitation ESG - 9alami
[PDF] Fonction exponentielle Exercices corrigés - Free
[PDF] Calc - C2IMES
[PDF] Fiabilité
[PDF] Fiabilité
[PDF] Fiabilité
[PDF] Fiabilité , Disponibilité maintenabilité - Elearn - Université Kasdi
[PDF] TD de Traitement d 'images EI3 Année 2009-2010 - LISIC
[PDF] EXAMEM 2011 texte-corrigé - ESPCI
[PDF] EXAMEM 2011 texte-corrigé - ESPCI
[PDF] 3ème soutien calcul fractionnaire - PGCD - Collège Anne de
[PDF] Contrôle de gestion et gestion budgétaire - 4
![9 Distributions déchantillonnage - GERAD 9 Distributions déchantillonnage - GERAD](https://pdfprof.com/Listes/16/35422-169_echantillonnage.pdf.pdf.jpg)
1/72/7 3/7 4/7 5/7 6/7 7/7
9. Distributions d'echantillonnage
MTH2302D
S. Le Digabel,
Ecole Polytechnique de Montreal
A2017 (v3)MTH2302D: distributions d'echantillonnage1/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Plan 1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage2/46
1/72/7 3/7 4/7 5/7 6/7 7/7
1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage3/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Introduction
But Tirer des conclusions au sujet d'une population sans avoir a examiner toutes les unites experimentales (dicile ou impossible).Comment?
On preleve un sous-ensemble (echantillon) de la population et on tire des conclusions sur la population a partir des resultats obtenus avec l'echantillon. Par exemple, on estime la moyenne de la population avec la moyenne echantillonnale.MTH2302D: distributions d'echantillonnage4/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Denition d'un echantillon aleatoire
Unechantillon aleatoirede taillende la variable aleatoireXest une suite de variables aleatoires independantesX1;X2;:::;Xn ayant toutes la m^eme distribution queX. Une suitex1;x2;:::;xnde valeurs prises par les v.a.Xiest une realisationde l'echantillon.Remarque
On suppose habituellement que la population est innie ou que la taille de l'echantillon est beaucoup plus petite que la taille de la population.MTH2302D: distributions d'echantillonnage5/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Exemple 1
On fait l'hypothese que la taille (en cm) des 4000 etudiants masculins d'une ecole de genie est une variable aleatoireX distribuee normalement, c'est-a-dire queXN(;2). Un echantillon aleatoire de taille50de cette population est une suite de 50 variables aleatoiresXiN(;2),i= 1;2;:::;50.MTH2302D: distributions d'echantillonnage6/461/72/7 3/7 4/7 5/7 6/7 7/7
Parametres d'une population
I Une population (v.a.) estconnuesi on conna^t sa distribution, c'est-a-dire sa fonction de masse ou de densite. I En pratique on peut conna^tre une population seulement partiellement, c'est-a-dire qu'on conna^t la forme generale de sa distribution mais avec desparametresinconnus.Exemple 2 On fait l'hypothese que la taille des etudiant est distribuee normalement :XN(;2)mais on ne conna^t pas les parametreset2(moyenne et variance). Ce sont ces parametres que l'on cherche a estimer.MTH2302D: distributions d'echantillonnage7/46
1/72/7 3/7 4/7 5/7 6/7 7/7
1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage8/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Denition d'une statistique
SoitX1;X2;:::;Xnun echantillon aleatoire d'une variable aleatoireX. Unestatistiqueest une fonctionh(X1;X2;:::;Xn)ne dependant que des variables aleatoiresXi.Exemples de statistiques :
ILa moyenne echantillonnaleX=1n
n X i=1X i ILa variance echantillonnaleS2=1n1n
X i=1(XiX)2 I La mediane echantillonnale, etc.MTH2302D: distributions d'echantillonnage9/461/72/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale
Notion importante
Puisque lesXisont des variables aleatoires, toute statistique est aussi une variable aleatoire et on s'interesse a sa distribution, appeleedistribution echantillonnale. Par exemple, on discute dans les prochaines sections de l'esperance et la variance de la moyenne et la variance echantillonnales, c'est a dire E(X), V(X), E(S2), et V(S2).MTH2302D: distributions d'echantillonnage10/461/72/7 3/7 4/7 5/7 6/7 7/7
1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage11/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale de la moyenneX
SoitX1;X2;:::;Xnun echantillon aleatoire d'une v.a.Xde moyenne=E(X)et variance2=V(X).SoitXla moyenne echantillonnale. Alors
1.E(X) =(Xest un estimateur non-biaise de)
2.V(X) =2n
Ces resultats decoulent directement des regles de combinaisons lineaires.MTH2302D: distributions d'echantillonnage12/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Exemple 3
Une population est constituee des nombres 2, 3, 6, 8, 11. L'ensemble des echantillons (avec remise) de taille 2 est (2,2) (3,2) (6,2) (8,2) (11,2) (2,3) (3,3) (6,3) (8,3) (11,3) (2,6) (3,6) (6,6) (8,6) (11,6) (2,8) (3,8) (6,8) (8,8) (11,8) (2,11) (3,11) (6,11) (8,11) (11,11) .Calculer
1.La moyenne et la variance de la population :et2.
2.L'esperance et la variance de la moyenne echantillonnaleX:
E(X)et V(X).MTH2302D: distributions d'echantillonnage13/461/72/7 3/7 4/7 5/7 6/7 7/7
Distribution de la moyenneX(suite)
En utilisant le theoreme central limite, on peut donner la loi de probabilite de la moyenne echantillonnalle. Si l'echantillon est susamment grand,Xsuit approximativement une loi N(;2=n).Remarques
IOn a aussi (approx.)nXN(n;n2).
ISiXN(;2), alorsX, etnXsont exactement normales,
m^eme pour de petits echantillons.MTH2302D: distributions d'echantillonnage14/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Distribution de la moyenneX(suite)
On peut egalement denir la variable aleatoire
Z=X= pn qui suit approximativement une loi N(0;1).Remarques
ISiXN(;2), alorsZest exactement normale, m^eme
pour de petits echantillons. I On appellepivotune variable aleatoire qui se calcule a partir d'une statistique et des parametres de la population. I Nous verrons qu'un pivot dont la loi de probabilite ne depend pas des parametres de la population permet de denir un intervalle de conance.MTH2302D: distributions d'echantillonnage15/461/72/7 3/7 4/7 5/7 6/7 7/7
Exemple 4
Toujours avecXN(;2), supposons que l'on connaisse la moyenne et la variance de la population := 175et2= 102. On choisit 10 echantillons aleatoires de 50 etudiants chacun. Pour combien de ces echantillons s'attend-on a avoir une moyenne comprise entre 174 et 176 cm?MTH2302D: distributions d'echantillonnage16/46
1/72/7 3/7 4/7 5/7 6/7 7/7
1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage17/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Distribution echantillonnale de la varianceS2
SoitX1;X2;:::;Xnun echantillon aleatoire d'une v.a.Xde moyenne=E(X), de variance2=V(X)et de coecient d'aplatissement2=4 4.SoitS2la variance echantillonnale. Alors
1.E(S2) =2(S2est un estimateur non-biaise de2)
2.V(S2) =42n1+23n
Remarques
I On peut montrer (dicile!) queS2suit approximativement une loi normale pour de grands echantillons. I En supposant queXsuit une loi normale, on peut denir la distribution deS2pour de petits echantillons.MTH2302D: distributions d'echantillonnage18/461/72/7 3/7 4/7 5/7 6/7 7/7
Exemple 5
Une population est constituee des nombres 2, 3, 6, 8, 11.Les variances echantillonnales
S2=121(X1X)2+ (X2X)2
des 25 echantillons (avec remise) de taille 2 sont :0 0.5 8 18 40.5
0.5 0 4.5 12.5 32
8 4.5 0 2 12.5
18 12.5 2 0 4.5
40.5 32 12.5 4.5 0 .
Retrouver manuellement ces valeurs et calculer E(S2).MTH2302D: distributions d'echantillonnage19/461/72/7 3/7 4/7 5/7 6/7 7/7
La fonction gamma
Rappel
Lafonction gammaest denie pour toutx >0par
(x) =Z 1 t=0tx1etdt:Proprietes1.(1) = 1,
2.(1=2) =p,
3.(x) = (x1)(x1)pourx >1,
4.Six=n2Nalors(n) = (n1)!,
5.Voir page 139 (2eme edition) / page 142 (3eme edition).MTH2302D: distributions d'echantillonnage20/46
1/72/7 3/7 4/7 5/7 6/7 7/7
La loi du khi-deux
SoitZ1;Z2;:::;Zkdes variables aleatoires independantes et identiquement distribuees selon une loi normale N(0;1). Alors la variable aleatoireW=Z21+Z22++Z2k
suit uneloi du khi-deux akdegres de liberte. On noteW2k. La fonction de densite deWest f(w) =8 :12 k=2(k=2)w(k=2)1ew=2siw0,0sinon.
Remarques:21(N(0;1))2et2k(k=2;1=2). De plus, sik=2 est entier, alorsX1+X2+:::+Xk=22kavecXiExp(1=2), i2 f1;2;:::;ng.MTH2302D: distributions d'echantillonnage21/461/72/7 3/7 4/7 5/7 6/7 7/7
La loi du khi-deux (suite)
SoitW2k. Alors
1.E(W) =k.
2.V(W) = 2k.
3.Lequantile2;kest deni parP(W > 2;k) =avec
01.Calculs avec la loi du khi-deux
I Le tableau de la page 478 (2eme edition) / page 514 (3eme edition) donne les quantile de la loi du khi-deux. IEn R :2;kest donne par qchisq(1-,k).
I En Excel : LOI.KHIDEUX.INVERSE.DROITE(,k).Exemple 6 Calculer20:1;3etP(X11:07)siX25.MTH2302D: distributions d'echantillonnage22/461/72/7 3/7 4/7 5/7 6/7 7/7
Additivite la loi du khi-deux
Theoreme
SoientW1;W2;:::;Wpdes v.a. khi-deux ak1;k2;:::;kpdegres de liberte respectivement. AlorsY=W1+W2+:::+Wp
suit une loi du khi-deux ak=k1+k2+:::+kpdegres de liberte.MTH2302D: distributions d'echantillonnage23/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Additivite la loi du khi-deux
Application du theoreme d'additivite
SoitZ1;Z2;:::;Znun echantillon aleatoire deZN(0;1).On denit
A=nX i=1Z2i; B=nX
i=1(ZiZ)2etC=n(Z)2:On peut montrer queA=B+C.
De plus,A2netC21.
On en deduit, d'apres le theoreme precedent, queB2n1, carseule la loi2n1, additionnee a une loi21, peut donner une loi2n.MTH2302D: distributions d'echantillonnage24/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Distribution de la varianceS2(suite)Theoreme
SoitX1;X2;:::;Xnun echantillon aleatoire de taillend'une variable aleatoire normaleXN(;2)etS2la variance echantillonnale. Alors la variable aleatoireW=(n1)S2
2 suit une loi khi-deux avecn1degres de liberte.MTH2302D: distributions d'echantillonnage25/461/72/7 3/7 4/7 5/7 6/7 7/7
Distribution de la varianceS2(suite)
Le theoreme precedent nous permet de caracteriser la distribution echantillonnale deS2.SoitW2n1, avec E(W) =n1et V(W) = 2(n1). On a :
IP(S2b) =P(n1)S2
2(n1)b
2 =PW(n1)b
2 IE(S2) =E2n1W
=2n1E(W) =2 IV(S2) =V2n1W
=4(n1)2V(W) =24n1 Remarque: Ces resultats ne sont valides que si la populationX suit une loi N(;2).MTH2302D: distributions d'echantillonnage26/461/72/7 3/7 4/7 5/7 6/7 7/7
Exemple 7
On fait l'hypothese que la taille (en cm) des 4000 etudiants masculins d'une ecole de genie est une variable aleatoire normaleXde moyenne 175 et variance102, c'est-a-dire
XN(= 175;2= 102).
On choisit 10 echantillons de taille 50 de la populationX. Pour combien de ces echantillons s'attend-on a avoir une variance echantillonnaleS2d'au plus 101?MTH2302D: distributions d'echantillonnage27/461/72/7 3/7 4/7 5/7 6/7 7/7
1.Echantillons aleatoires
2. Statistiques et distributions echantillonnales
3. Distribution echantillonnale de la moyenne
4. Distribution echantillonnale de la variance
5. Loitde Student
6. Distribution echantillonnale d'une dierence de deux
moyennes7. Distribution echantillonnale d'un rapport de variances
MTH2302D: distributions d'echantillonnage28/46
1/72/7 3/7 4/7 5/7 6/7 7/7
Loitde StudentRappel
SiX1;X2;:::;Xnest un echantillon aleatoire de taillende la variable aleatoireX, ou E(X) =et V(X) =2, alors Z=X= pn suit approximativement une loi N(0;1). Cette variable aleatoire estun pivot permettant de denir unintervalle de conancepour.MTH2302D: distributions d'echantillonnage29/46