Beruflich Dokumente
Kultur Dokumente
Cours n°1
Cours n° 1
Introduction
Rappels de probabilités
Variables aléatoires
Principales lois discrètes et distributions continues
Ph. LERAY - A. ROGOZAN 1
UV Statistique
Cours n°1
• qualitative :
– Nominale (exemple : couleur des yeux = marron | vert | bleu )
– ordinale (exemple : type de voiture = aucune | petite | moyenne | grande )
Démarche statistique
• Les méthodes statistiques peuvent se séparer (approx.)
en deux familles :
Démarche statistique
• Statistique descriptive (ou exploratoire)
Rôle :
• ressortir des propriétés de l'échantillon étudié,
• suggérer des hypothèses
Démarche statistique
• Statistique inférentielle (ou décisionnelle)
Rôle :
• étendre les propriétés constatées sur un échantillon à toute la
population
• Vérifier l'adéquation des hypothèses a priori ou issues d'une
phase exploratoire
Méthodes :
• estimation d'une moyenne
• vérification d'une hypothèse (ou test)
• modélisation et prévision statistique
Rappels de Probabilité
• Expérience aléatoire :
expérience dont le résultat ne peut pas être prévu a priori
Rappels de probabilité
● Liens entre ensembles et probabilités
point de Ω événement élémentaire
A sous-ensemble de Ω événement aléatoire
∈ A ω appartient à A ω réalise A
A⊂B A est contenu dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
A complémentaire de A contraire de A
Ø ensemble vide événement impossible
Ω ensemble plein événement certain
A∩B= A et B disjoints A et B incompatibles
Ph. LERAY - A. ROGOZAN 8
UV Statistique
Cours n°1
Rappels de probabilité
• A1,...,An est un système complet d'événements ,
si les parties A1,...,An de Ω constituent une partition de Ω
(par exemple A et A forment un système complet)
Rappels de probabilité
• Définition d'une loi de probabilité sur (Ω,A) :
C'est une application P : A -> [0, 1] telle que
• P =1
• P ∪ Ai =∑ P Ai , pour tout ensemble dénombrable
i∈I
d'événements incompatibles A1,...,An
Rappels de probabilité
• Probabilité conditionnelle P A∩B
P A∣B=
de l'événement A sachant B : P B
• Indépendance de 2 événements A et B : P A∩B=P A P B
P A∣B=P A
P B∣A=P B
Conditionnement et indépendance
• Exemple :
La législation de la marijuana aux USA
Pour Contre
Est 0.078 0.222
P(Est)=0.300 Autre 0.182 0.518
P(Autres)=0.700
P(Pour)=0.260
P(Pour|Est) = P(Pour∩Est) / P(Est) = 0.078 / 0.300 = 0.260
⇒ Pour et Est sont deux événements indépendants
Variables aléatoires
• Variable aléatoire :
application (fonction) mesurable X : (Ω, A , P) → (Ω', A' )
telle que ∀A'∈A', X-1(A') ∈A
• Classification :
Variable aléatoire réelle si Ω'=ℜ
Variable aléatoire discrète réelle si Ω'=V,
où V est un sous-ensemble fini ou dénombrable de ℜ
• Remarque:
ne pas confondre une variable aléatoire, notée X,
avec la valeur prise par cette variable, notée x.
Variables aléatoires
• Expérience ω = tirer une carte...
Ω= {A♣, 2♣, ... ,R♣,A♦, 2♦, ... ,R♦,A♠, 2♠, ... ,R♠,A♥, 2♥, ... ,R♥}
• ω
Ph. LERAY - A. ROGOZAN 14
UV Statistique
Cours n°1
Variables aléatoires
• Loi de probabilité de la variable aléatoire X :
mesure image de P par X
P X B= P {∈∣X ∈B }=P X −1 B
• Notations :
P X ∈B pour P X B
P X x pour P X ∈ ]−∞ , x ]
• Exemple :
P(H = vrai) = ?
• Propriétés :
0 p x1, pour tout x∈V
∑ p x=1
x∈V
Valeur de la probabilité de toute partie de V : P X ∈ A= ∑ p x
x∈ A
• Exemple :
P(N) = ?
• Propriétés :
f x0 , pour tout x
∫ f x dx=1
ℝ
Valeur approx. de la probabilité : P x X x x= f x xo x
Variables aléatoires
• Fonction de répartition d'une variable aléatoire réelle X :
F :ℝ [0,1] définie par ∀ x∈ℝ , F x=P X x
• Propriétés : x
si X est continue : F x = ∫ f t dt
−∞
F est une fonction croissante, continue à gauche
lim F x=0 lim F x=1
x −∞ x ∞
Variables aléatoires
0.4
• Exemple de densité de
probabilité 0.2
0.1
0
-5 0 5
de répartition 0.4
0.2
0
-5 0 5
x
•
Espérance math. d'une fonction d'une variable aléatoire :
E X =∫ x f x dx
ℝ
• Propriétés :
E X −a2 =var X E X −a2 Konig − Huyghens
var X a=var X
2
var aX =a var X
var X =0 ⇔ X =a presque sûrement
1
P ∣X −E X ∣k 2
k
var X Y =var X var Y 2 cov X ,Y
cov X ,Y =E XY −E X E Y =E X −E X Y −E Y
var X Y =var X var Y si X et Y v. a. indépendantes
Ph. LERAY - A. ROGOZAN 23
UV Statistique
Cours n°1
1=0 et 2=var X
Pour une loi symétrique: 2 k 1=0 ∀ k
• Remarques :
Variance Var(X) = moment centré d'ordre 2
Espérance E(X) = moment non-centré d'ordre 1
Coefficient d'asymétrie : Coefficient d'aplatissement :
skewness 3 kurtosis 4
1 = 3 2= 4
Ph. LERAY - A. ROGOZAN 24
UV Statistique
Cours n°1
• Moments :
n1 2
n −1
E X = Var X =
2 12
• Exemple :
Réalisation d'un nombre (entre 1 et 6) après avoir jeté un dé
• Moments :
E X = p Var X = p1− p
• Exemple :
Réalisation de pile (ou face) après avoir jeté une pièce
• Moments :
E X =np Var X =np1− p
• Propriétés :
{
Si n grand (n>50) alors B(n, p) → P(λ=np) si p petit (p<0.1)
B(n, p) → N(µ, σ) sinon
•Ph. LERAY
Exemple : nombre de réalisations de pile après n essais
- A. ROGOZAN 27
UV Statistique
Cours n°1
• Propriétés :
Si λ grand alors P(λ) → N(µ, σ)
• Exemples :
nombre de personnes à la queue du bus après un intervalle de temps
Nombre d'appels téléphoniques pendant un intervalle de temps
Ph. LERAY - A. ROGOZAN 28
UV Statistique
Cours n°1
{ } { }
1 x
sur [0, a ]
f x= a sur [0, a] F x= a
0 ailleurs 0 sur −∞,0et a ,∞
• Moments :
a a2
E X = Var X =
2 12
• Remarque :
La somme de 2 lois uniformes n'est pas une loi uniforme !!!
• Moments : 1 1
E X = Var X =
2
• Exemples :
Temps d'attente à la queue du bus
Durée de vie d'un composant électrique
• Exemple :
Variation du diamètre d'une pièce ;
Répartition des erreurs de mesure autour de la « vraie valeur »
Ph. LERAY - A. ROGOZAN 31