Professional Documents
Culture Documents
Statistique 3 (5009) 1 / 41
Contenu du cours :
1. Notion de probabilit : Modle probabiliste. Probabilit
conditionnelle. Thorme de Bayes. Indpendance.
2. Variable alatoire :
Variable alatoire discrte. Esprance, variance. Moments.
Variable alatoire continue. Fonction de rpartition, densit.
3. Lois usuelles :
Lois usuelles discrtes : Bernoulli, binmiale, Hypergomtrique,
Poisson, Pascal.
Lois usuelles continues : uniforme, exponentielle, normale,
gamma, khi-deux.
4. Lois empiriques :
chantillon. Moyenne et variance empiriques. Loi de Student. Loi
de Fisher-Snedecor.
5. Lois multidimensionnelles :
Couple de variables alatoires discrtes. Loi marginale. Loi
conditionnelle. Loi dune sommes. Couple de variables alatoires
continues
Statistique 3 (5009) 2 / 41
Bibliographie
Statistique 3 (5009) 3 / 41
Bibliographie
Statistique 3 (5009) 4 / 41
Dnombrement
Permutation : suite ordonne de n objets :
Il y a Pn = n! possibilits
n!
Il y a Akn = possibilits
(n k )!
Exemple : Combien faut-il dpenser pour gagner srement au
Quint+ une course 10 chevaux ? (Quint+ : un pari=2e sur
les 5 premiers chevaux dans leurs ordres darrives) rponse :
10!
5! 2e
Exemple : Combien de mots composs de 10 lettres distinctes,
26!
peut-on former avec un alphabet de 26 lettres ? rponse : (2610)!
Statistique 3 (5009) 5 / 41
Dnombrement
Il y a Pnk = nk possibilits
n!
Il y a Cnk = possibilits
k !(n k )!
Statistique 3 (5009) 6 / 41
Probabilit, gnralits
Une exprience alatoire est une exprience dont on ne peut
prvoir par avance le rsultat.
Lensemble de tous les rsultats possibles (ou issues) est appel
univers ou ensemble fondamental, not gnralement
Exemple 1. On lance un d : lunivers est = {1; 2; 3; 4; 5; 6}
Un vnement est un sous-ensemble dissues. Souvent dsign
par une assertion logique concernant le rsultat de lexprience.
Dans lexemple 1, obtenir un nombre pair est un vnement, il
est gal A = {2, 4, 6}, il est ralis si lune des issues 2,4 ou 6
est obtenue.
Un vnement lmentaire consiste en un seul lment.
Lvnement contraire (ou complmentaire) dun vnement A,
not A est constitu de lensemble des issues non incluses dans
A. Si A est ralis, A nest pas ralis, et rciproquement. On note
aussi A = \ A. Noter que A = A.
Statistique 3 (5009) 7 / 41
vnement certain =univers ,
vnement impossible=,
Soient A et B deux vnements,
A B : cest lvnement (A et B) ou lintersection de A et B,
A B : cest lvnement (A ou B) ou lunion de A et B,
A et B sont dit incompatibles ssi la ralisation de lun exclut la
ralisation de lautre, autrement A B = .
Autres oprations :
A\B = {x A : x
/ B}
AB = (A\B) (B\A)
Statistique 3 (5009) 8 / 41
Proprits
Chacune des oprations et est associative et commutative.
A (B C) = (A B) C, AB =BA
A (B C) = (A B) C, AB =BA
Exemple
= {1, 2, 3, 4, 5, 6}
{1,2}, {3,4,5,6} est un systme complet dvnements.
{1},{2}, {3},{4},{5},{6} est un systme complet dvnements.
{1,2,3}, {3,4,5,6} nest pas un systme complet dvnements.
{1},{2}, {3},{4,6} nest pas un systme complet dvnements.
Statistique 3 (5009) 10 / 41
Dfinition
Une collection dvnements C de lunivers est dite algbre
(tribu) ssi :
1) A C , A C ,
2) C est stable par union dnombrable : pour tout famille
dnombrable dvnements Ai , i IN, de C , on a Ai C .
S
iIN
3) C .
Remarque
La premire et la dernire condition impliquent que C ,
La premire et la deuxime conditions impliquent que C est stable
par intersection dnombrable,
En remplaant le mot dnombrable par fini, on obtient la
dfinition dune algbre.
Statistique 3 (5009) 11 / 41
Example
Tribu discrte : La collection de tous les vnements imaginables
P() de est une algbre.
Tribu grossire est C = {, }.
C = {E : E ou E est dnombrable} est une tribu.
Si = {1, ..., 10}, alors ;
C = {, , {1}, {2}, {1, 2}, \{1, 2}, \{1}, \{2}} est une tribu.
Dfinition
Soit C0 une collection densembles de . La plus petite tribu C
contenant C0 est appele tribu engendre par C0 . On note C = (C0 ).
(C0 ) est lintersection des tribus sur contenant C0 .
Example
Pour = IR, la tribu engendre par les intervalles ouverts de IR est
appele tribu borlienne de IR. Elle est aussi engendre par les
intervalles ferms, les intervalles de type (])[a, +[, a IR,...etc.
Statistique 3 (5009) 12 / 41
Modliser la chance
Dfinition
On appelle espace probabilisable un couple (; C ), o C est une
algbre dvnements de lunivers .
Dfinition
Une (loi de) probabilit sur (, C ) est une application P de C images
dans [0; 1] tq :
1) P() = 1,
2) Pour toute collection dnombrable dvnements P 22
incompatibles, Ai , i IN, on a : P( Ai ) = P(Ai )
iIN iIN
Le triplet (, C , P) est appel espace probabilis.
Statistique 3 (5009) 13 / 41
Proprits. Soient A, B, Ai , i IN des lments de C .
1) P() = 0,
2) P(A) = 1 P(A),
3) Si A B alors, P(A) P(B),
4) P(A B) = P(A) + P(B) P(A B),
S P
5) P( Ai ) P(Ai ),
iIN iIN
6) Si Ai , i IN, vrifie Ai Ai+1 et Ai = (on notera Ai ) alors,
limi P(Ai ) = 1
7) Si Ai , i IN, vrifie Ai Ai+1 et Ai = (on notera Ai ) alors,
limi P(Ai ) = 0
8) Si Ai , i IN, est un systme complet dvnements, alors,
X
E C , P(E) = P(E Ai )
iIN
Statistique 3 (5009) 14 / 41
Justifications
Statistique 3 (5009) 15 / 41
Example
Considrons les rsultats suivants dune section de 100 tudiants :
70% des tudiants ont une note 10 dans lunit A.
80% des tudiants ont une note 10 dans lunit B.
90% des tudiants ont une note 10 dans lunit A OU dans
lunit B.
Quelle est la probabilit quun tudiant pris au hasard ait une note
10 dans lunit A et dans lunit B ?
Rponse : P(A B) = P(A) + P(B) P(A B) = 0.7 + 0.8 0.9 = 0.6
soit 60%.
Est-il possible davoir P(A) = 0.7, P(A B) = 0.6 ou P(A B) = 0.6 et
P(B) = 0.5 ?
Rponse : NON, pourquoi ?
Statistique 3 (5009) 16 / 41
Probabilits Conditionnelles
Supposons quon sait que B sest ralis. Nous rduisons
artificiellement donc lunivers B (lunivers restera toujours ) en
annulant les probabilit des vnements incompatibles avec B et en
augmentant les probabilits des vnement rencontrant B. On
cherche alors la probabilit quun vnement A se ralise.
Dfinition
Soit B un vnement avec P(B) 6= 0. On appelle probabilit
conditionnelle de A sachant (ou si) B, la quantit :
P(A B)
P(A/B) =
P(B)
Remarque
Il convient de vrifier que lapplication A 7 P(/B) dfinie est
une loi de probabilits sur (, C )
Statistique 3 (5009) 17 / 41
F IGURE: La partie hachure reprsente A B
Example
On lance un d quilibr 6 faces. Sachant quun nombre 5 est
ralis quelle est la probabilit que ce soit un nombre pair :
B = {1; 2; 3; 4; 5} et A = {2; 4; 6}. Intuitivement p = 52 . Par la formule
2
P(AB) P({2;4})
prcdente :P(A/B) = P(B) = P({1;2;3;4;5}) = 6
5 = 52 .
6
Statistique 3 (5009) 18 / 41
Example
Trois machines M1 , M2 et M3 fabriquent des boulons de mme type.
M1 sort en moyenne 0.3% de pices dfectueuses, M2 0.8% et M3 1%.
On mlange 1000 pices dans une caisse, dont 500 proviennent de
M1 , 350 de M2 et 150 de M3 . On tire au hasard un boulon de la caisse.
Calculer la probabilit quil soit dfectueux.
Rponse : Notons Mi : le boulon est fabriqu par Mi et D : le boulon
est dfectueux. M1 , M2 , M3 forme alors un systme complet
dvnements.
P(D) = P(D/M1 )P(M1 ) + P(D/M2 )P(M2 ) + P(D/M3 )P(M3 )
500 350 150
= 0.003 1000 + 0.008 1000 + 0.01 1000
= ......
Statistique 3 (5009) 19 / 41
vnements indpendants
Dfinition
A et B sont indpendants ssi P(A/B) = P(A) (quiv. P(B/A) = P(B))
Example
On tire avec remise 2 fois de suite une boule dune urne contenant 3
boules blanches et 7 noires indiscernables au toucher. Alors,
A :obtenir une boule blanche au 1er tirage est indpendant de
B :obtenir une boule blanche au 2ime tirage. Ceci est vident. On
peut vrifier ce fait par le calcul.
Statistique 3 (5009) 20 / 41
Example (suite)
Notons n les boules noires et b les blanches. Alors,
= {bb; bn; nb; nn} ; A = {bb; bn} ; B = {bb; nb}
3 3 3 3 3 7
P(A B) = P(bb) = 10 10 = 0.09 ; P(A) = 10 10 + 10 10 = 0.3 et
3 3 7 3
P(B) = 10 10 + 10 10 = 0.3. On a bien P(A B) = P(A)P(B).
Indpendance mutuelle
Dfinition
Les vnements A1 , A2 , ..., An sont dits mutuellement indpendants ssi
pour tout sous-ensemble dindices I {1, ..., n}, on a :
Y
P Ai = P(Ai )
iI
iI
Statistique 3 (5009) 21 / 41
Furmule De Bayes
P(A/B)P(B)
P(B/A) =
P(A)
P(AB)
P(A/B)P(B) P(B)
P(B) P(AB)
En effet, P(A) = P(A) = P(A) = P(B/A)
Deuxime formule de Bayes : Soient Bi , i IN un systme
complet dvnements, alors,
P(A/Bi )P(Bi )
P(Bi /A) = P
P(A/Bj )P(Bj )
jIN
Il suffit dcrire,
P en utilisant la formule des probabilits totales :
P(A) = P(A/Bj )P(Bj ) dans la premire formule de Bayes.
jIN
Statistique 3 (5009) 22 / 41
Example
Trois machines M1 , M2 et M3 fabriquent des boulons de mme type.
M1 sort en moyenne 0.3% de pices dfectueuses, M2 0.8% et M3 1%.
On mlange 1000 pices dans une caisse, dont 500 proviennent de
M1 , 350 de M2 et 150 de M3 . On tire au hasard un boulon de la caisse,
il est dfectueux. Calculer la probabilit quil ait t fabriqu par M1 .
Rponse : Notons Mi : le boulon est fabriqu par Mi et D : le boulon
est dfectueux. Il sagit de calculer
P(D/M1 )P(M1 )
P(M1 /D) = P(D/M1 )P(M1 )+P(D/M 2 )P(M2 )+P(D/M3 )P(M3 )
500
0.003 1000
= 500 350
0.003 1000 +0.008 1000 150
+0.01 1000
0.26
Remarque
Pratiquement, la formule de Bayes sapplique comme dans lexemple
prcdent pour calculer des probabilits dvnements ayant caus
dautres (probabilits de cause).
Statistique 3 (5009) 23 / 41
Example
Une urne A contient 10 boules noires et 20 boules rouges. Une urne B
contient 10 boules noires et 40 boules rouges. On mlange les deux
urnes en versant leurs contenus dans une urne C. On tire au hasard
une boule de lurne C, elle est rouge. Quelle est la probabilit que
cette boule provient de lurne A ? Rponse : Notons A : la boule
provient de A, B : la boule provient de B 00 etR : la boule est rouge. A
et B forme un systme complet dvnements. Alors,
2 3
P(R/A)P(A) 3 8
P(A/R) = = 2 3 4 5
= 1/3
P(R/A)P(A) + P(R/B)P(B) 3 8 + 5 8
Statistique 3 (5009) 24 / 41
Variables alatoires :Exemple introductif.
On lance deux ds, si les deux chiffres obtenus sont identiques on
gagne ce chiffre, sinon on perd 1e.
Ici on dfinit une application X de lensemble
= {(i, j), i, j {1, ..., 6}} dans E = {1; 1, 2, 3, 4, 5, 6}.
Notons PX la probabilit sur les gains possibles. X = k dsigne
lensemble X 1 (k ) = {(i, j) : X (i, j) = k }.
La probabilit de gagner 4e est
PX (4) = P(X = 4) = P(X 1 (4)) = P({4, 4}) = 1/36
Dfinition
Une variable alatoire (v.a.) relle est une application X de (, C , P)
dans (IR, B) qui est mesurable, i.e., vrifiant :
X 1 (B) C , B B
Statistique 3 (5009) 26 / 41
La loi de X est la probabilit image PX de P par X , autrement dit :
Notons que PX est dfinie sur (IR, B). Dans lexemple prcdent la loi
de X est donne par le tableau suivant :
k 1 1 2 3 4 5 6
5 1 1 1 1 1 1
PX (k ) 6 36 36 36 36 36 36
Remarque
Les lois des v.a. discrtes peuvent tre donnes dans un tableau et
reprsentes par un diagramme en btons.
Statistique 3 (5009) 27 / 41
Fonction de rpartition
Dfinition
La fonction de rpartition F dune v.a. relle X est lapplication de IR
dans [0; 1] dfinie par
Dfinition
Une v.a. X est dite
discrte si elle prend au plus un nombre dnombrable de valeurs
(ou si ses valeurs sont isoles et peuvent tre numrotes).
continue si elle prend nimporte quelle valeur dans un intervalle
de IR ou dans IR entirement.
Statistique 3 (5009) 29 / 41
Si X est une v.a. discrte qui prend les valeurs x1 , x2 , x3 , ..., xn , ..., on
note pi = PX (xi ) la probabilit que X prend la valeur xi . Alors, sa
fonction de rpartition est donne par
X
F (x) = PX (xj ), x ]xi ; xi+1 ] et F (x) = 0 si x x0
0ji
On a aussi
pi = PX (xi ) = F (xi+1 ) F (xi )
Dfinition
le fractile dordre p ]0; 1[ dune v.a. X de fonction de rpartition F est
le rel xp vrifiant :
F (xp ) = P(X < xp ) = p
Statistique 3 (5009) 30 / 41
Variable continue
Certaines lois de probabilits continues (de v.a. continues) peuvent
tre dfinies partir de la notion de densit de probabilit.
Dfinition
Une densit
R de probabilit f est une fonction positive et intgrable
vrifiant IR f dx = 1.
Dfinition
Une loi de proba PX admet une densit f si, pour tout intervalle
I = [a, b] de IR, on a
Z Z b
PX (I) = f (x) dx = f (x) dx
I a
Statistique 3 (5009) 31 / 41
F IGURE: Densit - Probabilit dun intervalle
Remarque
Si X est une v.a. continue alors, P(X = x) = 0, x IR. Donc,
P(a < X < b) = P(a X b) = P(a < X b)
= P(a X < b) = F (b) F (a)
H(x, y ) = F (x)G(y )
Statistique 3 (5009) 34 / 41
Esprance mathmatique
lesprance dune v.a. X discrte est donne par :
X
E(X ) = xi P(X = xi )
i
Cest la moyenne des valeurs de X pondres par leurs
probabilits.
Lesprance dune v.a. continue X de densit f , est donne par :
Z
E(X ) = xf (x) dx
IR
Example
La v.a. X de densit f (x) = ex si x 0 et f (x) = 0 sinon, a pour
esprance :
x + + 1 ex dx
R +
E(X ) = 0 xex dx = x 1
R
e 0 0
= 0 + 1 x +
e 0
= 1 .
Statistique 3 (5009) 35 / 41
Lesprance de X scrit de faon gnrale comme :
Z
E(X ) = X (w)dP(w)
et nous pouvons montrer (rsultat-mesure/probabilit image) que
Z
E(X ) = xdPX (x)
IR
Remarque
Lesprance nexiste pas toujours.
Statistique 3 (5009) 37 / 41
Variance
Dfinition
La variance de la v.a. X , note V (X ) ou X2 est dfinie par :
Remarque
V (X ) mesure la dispersion de X autour de son esprance E(X ).
p
X = V (X ) est appel cart-type. Il a lavantage par rapport
la variance de sexprimer dans la mme unit de mesure que X , il
a donc plus de sens pour les interprtations.
Statistique 3 (5009) 38 / 41
Proprit de la variance :
Formule de Knig-Huyghens :
En effet,
E([X a]2 ) = E([(X E(X )) + (E(X ) a)]2 )
= E[(X E(X ))2 ] + E[(E(X ) a)2 ]
+2E[(X E(X ))(E(X ) a)]
= V (X ) + (E(X ) a)2 + 2(E(X ) a)E[X E(X )]
= V (X ) + (E(X ) a)2 + 2(E(X ) a)(E(X ) E(X ))
= V (X ) + (E(X ) a)2
Cela signifie que V (X ) est la valeur minimale de E([X a]2 ) quand a
varie dans IR. Pour a = 0, on a :
la formule classique :
V (X ) = E(X 2 ) E(X )2
Statistique 3 (5009) 39 / 41
Autres proprits
V (X + a) = V (X ), a IR.
V (aX ) = a2 V (X ),
V (X ) = 0 X = a,
Ingalit de Bienaym-Tchebychev relie lesprance et
lcart-type : pour tout k > 0, P(|X E(X )| > k ) k12
la covariance de X et Y est dfinie par
cov (X , Y ) = E[(X E(X ))(Y E(Y ))] = E(XY ) E(X )E(Y )
Statistique 3 (5009) 41 / 41