Académique Documents
Professionnel Documents
Culture Documents
2 Variables alatoires
P incipales lois de probabilit
Principales
p obabilit
Variable alatoire
Fonction de rpartition
Fonction de rpartition :
premires proprits
FX(-) = 0
FX(+)
( )=1
a<b
P ([X b]) = Pr
Pr
P ([X a])
]) + Pr
P ([a
([ < X b])
car [X a] et [a < X b] = vnements exclusifs
Fonction de rpartition :
exemple dune v.a. discrte
Fonction de rpartition :
exemple dune v.a. continue
Fonction de rpartition :
autres proprits
FX est discontinue
En chaque point x de discontinuit, la hauteur du saut
(FX(x) - FX(x -) lorsque x - x) est la probabilit de x
Densit de probabilit
fX ( x ) = f( x ) = dF X ( x )
dx
Fonction
F
ti d
de rpartition
titi
FX (x) = xfX (t)dt
Pr ([
([a X b])
])
= FX(b) FX(a)
= abfX (x)dx
f(x)0
f(
)0 (F croissante)
f(x)dx=Pr ([xXx+dx])
f(x)dx
( )
Pr ([X=x])
])
-f(x)dx = 1
pi 0
n
i=1 pi = 1
Uniquement si
quantitative :
F(x) = xix pi
v.a. continue
Densit de proba f(x)
b
Pr ([a X b]) = f( x)d x=F(b) -F(a)
a
f(x) 0
f(x)dx = 1
F(x) = xf(tt)d
)dt
f(x)dx = Pr (xXx+dx)
f( )d Pr (X=x)
f(x)dx
(X )
10
Esprance mathmatique
[variable quantitative]
Moyenne au niveau de la population
Notation E(X) = X =
Calcul : somme de toutes les valeurs
pondres par leur probabilit
V.a. discrte :
E(X) = in=1xi pi
V a continue : E(X) =
V.a.
xf(x)dx
11
Esprance mathmatique :
proprits
Soient des v.a. X et Y et des constantes a, b, c
E(c) = c
E(X+c) = E(X)+c
E(aX) = aE(X)
E(X +Y) = E(X) + E(Y)
V. Morice - Biostatistique PAES
12
Calcul
A t dfi
Autre
dfinition
iti var((X) = E(X 2) -E(
E(X)2
Calcul
Car E[(X -E(X))2] = E[X 2-2X E(X)+E(X)2] = E(X 2)-2E(X)E(X)+E(X)2 = E(X 2) -E(X)2
2
V discrte
V.a.
di t
V.a. continue
var(X) = - x2f(x)dx-E(X)2
Ecart-type
Ecart
type = X = = var(X)
V. Morice - Biostatistique PAES
13
Variance : proprits
unit
it
Var(X) a cette unit au carr
Var(c) = 0
Var(X +c)
c) = var(X)
Var(c X) = c2var(X)
Var(X +Y) = ?
V. Morice - Biostatistique PAES
14
15
X \ Y
y1
y2
ym
x1
px1,1 y1
px1,1 y2
px1,1 ym
px 1
x2
px2,y1
px2,y2
px2,ym
px 2
xn
pxn,y1
pxn,y2
pxn,ym
pxn
py 1
py 2
pym
16
Covariance et corrlation
[variables quantitatives]
17
Indpendance de deux
variables alatoires
18
Consquences de lindpendance
l indpendance
de 2 variables quantitatives
Si X et Y sont indpendantes,
indpendantes alors :
cov(X, Y) = 0 et XY = 0
var(X + Y) = var(X ) + var(Y)
E(XY) = E(X)E(Y)
car cov(X, Y) = E(XY) - E(X)E(Y)
19
Loi normale N( ; 2)
1 x2
f(x) =
e 2
2
V. Morice - Biostatistique PAES
20
Courbe de la densit
Surface sous la courbe = 1
Loi symtrique
Axe de symtrie = esprance
Maximum sur laxe de
symtrie
Ecart-type = distance entre
axe de symtrie et point
d inflexion
dinflexion
21
22
Loi N( ; 2) : influence de
23
Loi N( ; 2) : influence de
24
Loi N( ; 2) et probabilits
Soit X N( ; 2). On cherche Pr (a X b)
Seule
S l N(0 ; 1) estt tabule
t b l
X
Mais Y =
N(0 ; 1)
O va centrer
On
t
ett rduire
d i pour obtenir
bt i la
l probabilit
b bilit
a - X - b -
Pr(a X b) = Pr(
)
Posons c = a - et d = b -
Alors Pr (a X b) = Pr (c Y d)
La probabilit sur Y se lit dans la table de la loi
normale centre rduite
V. Morice - Biostatistique PAES
25
Loi du chi-deux
Si X1
2
(n)
N(0 ; 1)
26
Allure de la loi du
27
Loi de Bernoulli
deux rsultats
possibles succs
et chec
E(X 2) = 12 + (1 - ) 02 =
var(X) = - 2 = (1 - )
28
()
29
Loi de Poisson
Pr(X =k) = e
k!
LLe nombre
b kd
de ralisations
li ti
varie
i entre
t 0 ett ( loi
l i binomiale)
bi
i l )
30
Approximations d
dune
une loi
binomiale B(n, )
X B(n, )
Conditions : n 5 et n(1-) 5
N(n ; n(1
(1- ))
31
Approximation d
dune
une loi de
poisson par une loi normale
X Poisson()
Conditions : > 25
Variable pour lapproximation
Y N( ; )
32
33
Avec 1.000.000
1 000 000 de prescriptions on ss'attend
attend 300 effets
indsirables
Ce qui est norme
34