Applications statistiques
Introduction
Découvrez comment les variables aléatoires servent dans la vie réelle
Contexte et motivation
Pourquoi les applications statistiques ?
Imaginons que vous soyez responsable qualité dans une usine de fabrication de composants électroniques. La probabilité qu'un composant soit défectueux est de 2%. Vous prélève un échantillon de 100 composants pour vérifier la conformité de la production.
Comment déterminer si le lot est acceptable ? Comment évaluer la fiabilité de votre échantillon ? Comment estimer la proportion réelle de composants défectueux dans la production ?
Les applications statistiques permettent de répondre à ces questions en utilisant les probabilités et les variables aléatoires.
- Prendre des décisions éclairées basées sur des données
- Estimer des paramètres inconnus d'une population
- Évaluer la fiabilité des résultats
- Tester des hypothèses
- Prévoir des tendances futures
Échantillonnage
Principe fondamental
L'échantillonnage est le processus consistant à prélever un sous-ensemble (échantillon) d'une population pour en étudier les caractéristiques.
Soit p la proportion d'un caractère dans une population. Si on prélève un échantillon de taille n, la variable aléatoire X qui compte le nombre d'individus possédant le caractère suit une loi binomiale B(n, p).
- Économiser du temps et des ressources
- Réaliser des études impossibles sur la totalité de la population
- Obtenir des estimations fiables
- Tester des hypothèses de manière efficace
Fréquence dans un échantillon
Estimation de la proportion
Soit X le nombre d'individus possédant un caractère dans un échantillon de taille n.
La fréquence observée de ce caractère dans l'échantillon est :
La fréquence f est une estimation de la proportion p dans la population.
- La fréquence est une variable aléatoire
- E(f) = p (la fréquence est un estimateur sans biais de p)
- V(f) = p(1-p)/n (la variance diminue avec n)
- Plus l'échantillon est grand, plus la fréquence est proche de la proportion
Intervalle de fluctuation
Domaine de variation
Soit une proportion p dans une population. Pour un échantillon de taille n, l'intervalle de fluctuation au seuil de 95% permet de déterminer les valeurs plausibles de la fréquence observée.
Il est donné par :
Cet intervalle contient la fréquence observée dans environ 95% des cas.
Si la proportion de personnes favorables à une mesure est de 60% dans la population, et que l'on interroge 100 personnes, alors l'intervalle de fluctuation est :
\([0.60 - 1/\sqrt{100}, 0.60 + 1/\sqrt{100}] = [0.60 - 0.10, 0.60 + 0.10] = [0.50, 0.70]\)
Donc dans 95% des cas, la fréquence observée sera comprise entre 50% et 70%.
Prise de décision
Décision sur un échantillon
- Formuler une hypothèse H₀ sur la proportion p dans la population
- Prélever un échantillon de taille n
- Calculer la fréquence observée f
- Déterminer l'intervalle de fluctuation
- Comparer f à l'intervalle
- Accepter ou rejeter H₀ avec un risque d'erreur de 5%
Si la fréquence observée f appartient à l'intervalle de fluctuation, on accepte l'hypothèse H₀.
Si la fréquence observée f n'appartient pas à l'intervalle de fluctuation, on rejette l'hypothèse H₀ avec un risque d'erreur de 5%.
Applications concrètes
Utilisations pratiques
- 1 Sondages d'opinion (politique, marketing)
- 2 Contrôle qualité (industrie, agriculture)
- 3 Études médicales (efficacité de traitements)
- 4 Recherche scientifique (analyse de données)
- 5 Éducation (évaluation des performances)
Un institut de sondage interroge 1000 personnes pour estimer le taux de satisfaction d'un président. La fréquence observée est de 52%. Si l'hypothèse est que la vraie proportion est de 50%, l'intervalle de fluctuation est [0.50 - 1/√1000, 0.50 + 1/√1000] ≈ [0.468, 0.532]. Comme 52% est dans l'intervalle, on accepte l'hypothèse que la proportion réelle est 50%.
Exercice d'application
Problème complet
Une entreprise affirme que 70% de ses clients sont satisfaits de son service. Un organisme de contrôle interroge 500 clients au hasard. Parmi eux, 330 sont satisfaits.
1. Calculer la fréquence observée de clients satisfaits.
2. Déterminer l'intervalle de fluctuation au seuil de 95% pour la proportion de 70%.
3. Peut-on remettre en cause l'affirmation de l'entreprise ? Justifier.
Solution de l'exercice
Correction détaillée
La fréquence observée est le nombre de clients satisfaits divisé par le nombre total de clients interrogés :
f = 330/500 = 0.66
Avec p = 0.70 et n = 500, l'intervalle de fluctuation au seuil de 95% est :
\([p - 1/\sqrt{n}, p + 1/\sqrt{n}] = [0.70 - 1/\sqrt{500}, 0.70 + 1/\sqrt{500}]\)
\(\sqrt{500} \approx 22.36\)
\([0.70 - 1/22.36, 0.70 + 1/22.36] = [0.70 - 0.045, 0.70 + 0.045] = [0.655, 0.745]\)
Suite de la solution
Correction détaillée (suite)
La fréquence observée est f = 0.66 = 66%
L'intervalle de fluctuation est [0.655, 0.745] = [65.5%, 74.5%]
Comme 66% est dans l'intervalle [65.5%, 74.5%], on accepte l'hypothèse que la proportion réelle de clients satisfaits est de 70%.
Donc on ne peut pas remettre en cause l'affirmation de l'entreprise avec un risque d'erreur de 5%.
La différence entre la fréquence observée (66%) et la proportion annoncée (70%) est compatible avec les fluctuations d'échantillonnage.
Cela ne signifie pas que la proportion est exactement 70%, mais que la valeur observée est plausible dans le cadre de l'hypothèse.
Le risque de se tromper en acceptant H₀ est de 5%.
Autre exercice
Problème complet
Dans une usine, on affirme que 3% des pièces produites sont défectueuses. Un contrôleur prélève un échantillon de 200 pièces. Il constate que 9 pièces sont défectueuses.
1. Calculer la fréquence observée de pièces défectueuses.
2. Déterminer l'intervalle de fluctuation au seuil de 95%.
3. Que peut-on dire de l'affirmation de l'usine ?
4. Interpréter le résultat.
Solution de l'exercice 2
Correction détaillée
Question 1 : f = 9/200 = 0.045 = 4.5%
Question 2 : Avec p = 0.03 et n = 200, l'intervalle de fluctuation est :
\([0.03 - 1/\sqrt{200}, 0.03 + 1/\sqrt{200}]\)
\(\sqrt{200} \approx 14.14\)
\([0.03 - 1/14.14, 0.03 + 1/14.14] = [0.03 - 0.071, 0.03 + 0.071] = [-0.041, 0.101]\)
Comme les fréquences sont positives, on retient : [0, 0.101] = [0%, 10.1%]
La fréquence observée est 4.5%, qui est dans l'intervalle [0%, 10.1%].
Donc on accepte l'hypothèse que la proportion réelle de pièces défectueuses est de 3%.
Le résultat du contrôle est compatible avec l'affirmation de l'usine.
L'écart entre 3% et 4.5% peut être expliqué par les fluctuations d'échantillonnage.
Estimation d'une proportion
Estimation ponctuelle
Quand la proportion p dans la population est inconnue, on l'estime à partir de la fréquence f observée dans un échantillon.
L'estimateur naturel de p est : \(\hat{p} = f = \frac{X}{n}\)
Cet estimateur est sans biais : \(E(\hat{p}) = p\)
La qualité de l'estimation dépend de la taille de l'échantillon : plus n est grand, plus l'estimation est précise.
Un intervalle de confiance au seuil de 95% pour p est donné par :
Cet intervalle contient la vraie proportion p dans environ 95% des cas.
Résumé
Points clés
- Prélèvement d'un sous-ensemble de la population
- Permet d'étudier la population sans l'analyser entièrement
- La fréquence observée est une estimation de la proportion
- Les fluctuations d'échantillonnage sont prévisibles
- Permettent de tester une hypothèse sur la proportion
- Formule : \([p - 1/\sqrt{n}, p + 1/\sqrt{n}]\)
- Contiennent la fréquence observée dans 95% des cas
- Base pour la prise de décision statistique
- Estimation ponctuelle : \(\hat{p} = f\)
- Intervalle de confiance : \([f - 1/\sqrt{n}, f + 1/\sqrt{n}]\)
- Permet d'estimer une proportion inconnue
- La précision augmente avec la taille de l'échantillon
Conclusion
Félicitations !
Continuez à pratiquer pour renforcer vos compétences