Vous êtes sur la page 1sur 7

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie

Chap. 3 Probabilits
Chap. 3 Probabilits
terminologie anglais franais
Terminologie anglais franais
probabilits VERSUS statistiques
espace de probabilits / fonction de probabilits chance experiment . exprience alatoire
thormes outcome dnouement
comment attribuer les probabilits ? sample space .. espace dchantillonnage

formules de dnombrement event vnement


probability space .. espace de probabilits
probabilit conjointe conditionnelle marginale
equally likely outcomes dnouement quiprobable
indpendance
thorme de Bayes
1 2
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
dfinitions
Exprience alatoire : processus planifi dont lissue ne peut tre
STATISTIQUES PROBABILITS prdite avec certitude
ex: jet dun d / mesure de la taille dun individu
Dnouement : tout rsultat ou issue la plus lmentaire possible
base (quoi) donnes raisonnement / logique
Espace dchantillonnage : totalit de tous les dnouements possibles
vnement : tout sous ensemble de lespace dchantillonnage
processus observation modlisation
vnement mutuellement exclusifs: qui ne partage aucun dnouement
(comment)
Espace de probabilits: espace dchantillonnage S = { o 1 , o 2 , , }
quand a posteriori a priori et une fonction P de S dans lintervalle [ 0 , 1 ]
1. qui associe une probabilit p i o i avec 0 p i 1
o chantillon population 2. tel que p i = 1
3. P est une fonction additive sur S

3 4
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie

Fonction de probabilit THORMES


{ } ensemble vide ( aucun dnouement ) alors P ({ })=0
S : espace de probabilit E : vnenent de S ( =sous ensemble de S)
lvnement complmentaire E ( non E) alors P()=1P(E)
P ( E ) est un nombre rel appel probabilit de E
P(E1UE2 ) = P(E1 )+P(E2) - P ( E1 E 2 )
La fonction P doit satisfaire les proprits suivantes :
1. 0 P ( E ) 1 E 1 E 2
2. P (S ) = 1 S est un vnement certain E2
E1
3. { E 1 , E 2 , , E k .. } vnements dfinis sur S et S

mutuellement exclusifs 2 2 : E i E j = { } i j P ( E 1 U E 2 U E 3 ) = P ( E 1 ) + P ( E 2 ) + P ( E 3 ) - P ( E1 E 2 )

P( U E i) = P ( E i) additivit - P ( E 1 E 3 ) - P ( E 2 E 3 ) + P ( E1 E 2 E 3 )

E1 E2 alors P ( E 1 ) P ( E 2 )
5 6
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
Comment attribuer des probabilits o i ? Comment attribuer des probabilits o i ?
1. estimations bases sur les frquences : on observe n fois le phnomne pouvant 2. hypothses de modlisation : un exemple en physique atomique
exemple numrique : n = 3 particules m = 5 cellules
se dnouer dans o i on obtient n i ralisations de o i dans la squence observe
arrangement |* | - | * | * | - | * = particule | | = cellule
P(E) ni /n cest une estimation !
probabilits : 6 /125 = 0,048 Maxwell Boltzman
2. hypothses de modlisation : un exemple en physique atomique
1/35 = 0,029 Bose-Einstein
n particules rparties au hasard dans m botes ( m > n )
1/10 = 0,10 Fermi-Dirac
la probabilit de trouver 0 ou 1 particule dans n botes spcifiques est
3. postulat driv de lobservation des donnes : par exemple
= n!/mn si particules diffrentiables ( Maxwell-Boltzman )
distribution gaussienne (courbe en cloche) pour les mesures observes

= ( m 1 ) ! n ! / (m + n 1 ) ! part. non diffrentiables ( Bose Einstein)

= n!(mn)!/ m! part. non diff. + jamais 2 par bote ( Fermi-Dirac )

7 8
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
Dnouements quiprobables : chances gales
Exemple : loterie 6/49
on met sur pied les conditions ncessaires mais la garantie nest jamais assure .
Combinaisons C496 = 49 ! / [ ( 49- 6) ! 6 ! ] = 13 983 816
si lespace chantillonnal S est de taille finie N, S = { o 1 , o 2 , . o N }
dnouements possibles
dnouements sont supposs quiprobables alors P( { o I } ) = 1 / N
vnements favorables :
Consquence : lvaluation de probabilit d vnement repose sur
6 sur 6 : C66 x C430 = 1
lapplication des formules de dnombrement
Principe multiplicatif : si A 1 ,A 2 ,, A k sont des ensembles ayant 5 sur 6 +: C65 x C11 x C420 = 6

n 1 , n 2 , , n k lments : n1X n2X X n k faons de composer 5 sur 6 : C65 x C421 = 252


un ensemble B avec un lment de A 1 , un de A 2 ,, un lment de A k 4 sur 6 : C64 x C432 = 13545
Permutations : P n
n = n! arrangement distincts de n objets (ordre) 3 sur 6 : C63 x C433 = 246 820
Arrangements : A n = n ! / ( n k ) ! arrangements de k objets parmi n
k
faons de gagner 260 624
Combinaisons : C n k = n ! / [ ( n k ) ! k ! ] k objets parmi n sans faons de perdre 13 723 192
tenir en compte lordre

9 10
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
Exemple : essais de Bernoulli
2 dnouements possibles S = succs E = checs Exemple : chantillonnage dun lot de pices
succs nest pas toujours dsirable ! lot de 100 pices dont 5 sont non- conforme (dfauts)
On rpte jusqu lobtention du premier succs S
tirage chantillon de 10 pices au hasard et chaque
exemple : roulette russe
pice est soumise un test destructif
p=1/6 succs et 1-p=q=5 /6 chec
1 P (S) =p E : aucune pice non conforme dans lchantllon
2 P(ES) =qp P(E)=?
3 P ( E E S) = q q p
.. S lespace chantillonnal contient C10010 chantillons possibles
k P (E E EE S) = q k 1p E est dfini par les C9510 x C50 chantillons favorables

q k 1p = p q k 1 = p / ( 1- q) = 1 P ( E ) = C9510 x C50 / C10010 = 0,584


loi gomtrique
exemple dune loi hypergomtrique (vue chap 4)
nombre moyen dessais avant le premier succs : 1 / p

11 12
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie
MTH 2301 Mthodes statistiques en ingnierie
i j i+j 1/ (i+j) prob-(i,j)
0 0 0 0,500
Probabilits : conjointe conditionnelles - marginales 0 1 1 1,000 0,072
0 2 2 0,500 0,036

Exemple : assemblage de 2 composants 0 3 3 0,333 0,024


0 4 4 0,250 0,018
composant 1 : possibilit de 0 -1- 2 -3 dfauts 1 0 1 1,000 0,072
1 1 2 0,500 0,036
composant 2 : possibilit de 0 -1- 2 -3 - 4 dfauts
1 2 3 0,333 0,024
modle de probabilit pour lassemblage 1 3 4 0,250 0,018
1 4 5 0,200 0,014
(i , j ) = dnouement 2 0 2 0,500 0,036 0.500
2 1 3 0,333 0,024
2 2 4 0,250 0,018
P (0, 0 ) = 0.5 assemblage sans dfaut
2 3 5 0,200 0,014 k = 0,5/ 6,91
2 4 6 0,167 0,012
P ( i, j ) = k / ( i + j ) si ( i, j ) = ( 0, 1), .. (3, 4) 3 0 3 0,333 0,024
= 0,0723
3 1 4 0,250 0,018
k=?
3 2 5 0,200 0,014
3 3 6 0,167 0,012
3 4 7 0,143 0,010
13 14
Bernard CLMENT, P h D 6,910 1.000
Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie


MTH 2301 Mthodes statistiques en ingnierie
3D Scatterplot (ch3-prob-conjointe.sta 30v*31c)

Fonction de probabilit conjointe

i/j 0 1 2 3 4 total

0 0,5 0,072 0,036 0,024 0,018 0,651

1 0,072 0,036 0,024 0,018 0,014 0,165

2 0,036 0,024 0,018 0,014 0,012 0,105

3 0,024 0,018 0,014 0,012 0,01 0,079

total 0,633 0,151 0,093 0,069 0,055 1,000

15 16
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
Probabilit conditionnelle
P ( F | E ) probabilit que lvnement F se ralise
fonctions de probabilits marginales
compte tenu de la contrainte E sest ralis
il faut que P ( E ) > 0 dans S
E devient le nouvel espace dchantillonnage (rfrentiel) pour tous les i/j 0 1 2 3 4 total
vnements F venir
il faut que P (E) = 1 au yeux de P(F E) 0 0,5 0,072 0,036 0,024 0,018 0,651
Dfinition P ( F | E ) = P(F E) / P ( E )
aussi P ( E | F) = P(E F) / P ( F ) 1 0,072 0,036 0,024 0,018 0,014 0,165

donc P(E F) = P ( E ) P ( F | E ) = P ( F ) P ( E | F)
2 0,036 0,024 0,018 0,014 0,012 0,105
Dfinition E et F sont indpendants si
P(E F) = P ( E ) P ( F ) 3 0,024 0,018 0,014 0,012 0,01 0,079
Thorme : si E et F sont indpendants alors
E et F sont indpendants total 0,633 0,151 0,093 0,069 0,055 1,000

E et F sont indpendants
E et F sont indpendants
17 18
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie

Fonctions de probabilits conditionnelles Liens probabilits: conjointe marginales conditionnelles

conjointe marginales
i/ j 0 1 2 3 4
j/ i 0 1 2 3 4 total
sommation p( i ) = p ( i, j )
0 0,791 0,48 0,389 0,351 0,329
j
0 0,768 0,111 0,056 0,037 0,028 1,000 p( j ) = p ( i, j )
i
1 0,114 0,24 0,259 0,263 0,263
conjointe conditionnelles
1 0,438 0,219 0,146 0,109 0,088 1,000
2 0,057 0,16 0,145 0,211 0,219 normalisation p( i / j ) = p ( i, j ) / p ( i )
j
2 0,345 0,223 0,172 0,138 0,115 1,000
3 0,038 0,12 0,156 0,175 0,188 p( j / i ) = p ( i, j ) / p ( j )
i
3 0,305 0,229 0,183 0,153 0,131 1,000 conjointe + indpendance marginales
total 1 1 1 1 1

19 20
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie
MTH 2301 Mthodes statistiques en ingnierie
exemple : modlisation avec indpendance
Exemple : assemblage de 2 composants - indpendance ? prototype vhicule fin de test (essai)

M1 : moteur OK M2 : moteur tat moyen M3 : moteur tat mdiocre


i/j 0 1 2 3 4 P( i ) Probabilit = 0,6 = 0,3 = 0,1
0 0,5 0,072 0,036 0,024 0,018 0,651 D1 : direction OK D2 : direction non oprationnelle
Probabilit : = 0,.8 = 0,2
1 0,072 0,036 0,024 0,018 0,014 0,165 A1 : amortisseur OK A2 : amortisseur dgrad A3 : amortisseur bris
2 0,036 0,024 0,018 0,014 0,012 0,105 Probabilit = 0,7 = 0,2 = 0,1

3 0,024 0,018 0,014 0,012 0,01 0,079 probabilits conjointes : hypothse dindpendance / 18 CAS
Mi Dj Ak prob M i Dj Ak prob M i Dj Ak prob
P ( j ) 0,633 0,151 0,093 0,069 0,055 1,000 1 1 1 0,336 2 1 1 0,168 3 1 1 0,056
1 1 2 0,096 2 1 2 0,.048 3 1 2 0,016
P( 0, 0) = 0,5 0,412 = 0,633 * 0,651= P( i=0) * P( j = 0 ) 1 1 3 0,048 2 1 3 0,024 3 1 3 0,.008
pas indpendants 1 2 1 0,084 2 2 1 0,042 3 2 1 0,014
1 2 2 0,024 2 2 2 0,012 3 2 2 0,004
P(2,3) = 0,014 0,0072 = 0,105 * 0,069 = P (i =2 )* P( j=3 )
1 2 3 0,012 2 2 3 0,006 3 3 3 0,002
21 22
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
exemple( suite) : prototype vhicule fin de test (essai)
Thorme de Bayes
Dfinition : Partition de S
probabilits conjointes avec hypothse dindpendance
E 1 , E 2 , .., E k sous-ensembles disjoints de S tels que
Mi Dj Ak prob M i Dj Ak prob M i Dj Ak prob
1 1 1 0,336 2 1 1 0,168 3 1 1 0,056 E 1 U E 2 U ..U E k = S
1 1 2 0,096 2 1 2 0,048 3 1 2 0,016 alors les vnements E 1 , E 2 , .., E k forment une partition de S
1 1 3 0,048 2 1 3 0.024 3 1 3 0,008 remarque : un seul E peut se raliser la fois
1 2 1 0,084 2 2 1 0,042 3 2 1 0,014 Thorme : si k vnements E i ( i = 1 ,2, k ) forment une partition
1 2 2 0,024 2 2 2 0,012 3 2 2 0,004 et que F est un vnement dfini sur S alors
1 2 3 0,012 2 2 3 0,006 3 3 3 0,002
F = ( F E 1 ) U ( F E2 ) U . U ( F E k )
Fk : k composants sont fonctionnels k = 0, 1, 2, 3 P(Fk) = ?
F
P(F3) = P ( M1 D1 A1 ) = 0,336 E1

P(F2) = P ( M1 D 1 A2 ) + P( 113 ) + P (211) + P (311) = 0,452 FE3


E 10
E2 E3
P(F1) = P(122) + P(123) + P (212) + P(213) + P(221) + P(312) + P(313) + P( 321) =0,188
P(F) = P(F E i ) = P( E i ) P ( F| E i )
P(F0) = P(222) + P(223) + P (322) + P ( 323) = 0,024

23
probabilit totale de F 24
Bernard CLMENT, P h D Bernard CLMENT, P h D
MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie

Thorme de Bayes : si k vnements E i ( i = 1 ,2, k ) forment Recommendations et rgles du pouce (RP)


une partition de S et F est un vnement dfini sur S , alors
RP1 : ne pas multiplier les hypothses au del de la ncessit
P( E r | F) = P( E r ) P( F | E r ) / P( E i ) P ( F| E i )
base : simplicit et parcimonie
Question : vnement F provient il de E r ?
RP2 : ne pas multiplier les probabilits au del de la ncessit
Exemple : tlchargement de fichiers provenant de 3 sites WEB base : les probabilits sont bornes par 1 et lopration
fichiers sont potentiellement infects de multiplication donnera toujours un nombre plus petit
site proportion charge proportion contamine
exemple: procs en 1964 LA - vol dune bourse en pleine rue
1 10% 1% description du vol - Une femme blanche aux cheveux blonds en
2 20% 0,5% queue de cheval arracha une bourse une autre femme.
3 70% 0,8%
La voleuse courut et fut reconnue plus loin alors quelle
F : fichier infect quel site E i souponner en premier ?
P( E 1 | F ) = ? P( E 2 | F ) = ? P( E 3 | F ) = ? entrait dans une voiture taxi de couleur jaune conduite par
P( F) = 0,1*0,01 + 0,2* 0,005 + 0,7*0,008 = 0,0076 un homme de race noire portant une moustache et une barbe .
P( E 1 |F) =0,001 / 0,0076 = 0,1315 P( E 2 |F) = 0,1315 P( E 3|F) = 0,737 QUELLE EST LA PROBABILIT DE LVNEMENT CI- HAUT ?

25 26
Bernard CLMENT, P h D Bernard CLMENT, P h D

MTH 2301 Mthodes statistiques en ingnierie MTH 2301 Mthodes statistiques en ingnierie
Recommendations et rgles du pouce (RP) Recommendations et rgles du pouce (RP)
Avocat de la poursuite (couronne) proposa le calcul suivant : RP3 : prciser toujours lespace dchantillonnage afin dnoncer un risque.
vnement probabilit produit probabilit base : un nonc de probabilit repose sur lespace dchantillonnage
sur lequel il sapplique;
E1 : cheveux blond 1/3 1/3
Une probabilit est toujours conditionnelle.
E2: cheveux en queue de cheval 1 / 10 1 / 30
Soyez prcis sur le rfrentiel de rfrence.
E3: voiture couleur jaune 1 / 10 1 / 300
Question pertinente : quel est le groupe, quelles sont les units, etc...
E4: homme portant barbe 1 / 10 1 / 3 000
sur lesquels on nonce la probabilit ?
E5: homme portant moustache 1/4 1 / 12 000
Exemple : selon un ouvrage sur lvaluation des risques,
E6: couple inter race voiture 1 / 1000 1 / 12 000 000
il y a une probabilit 0,0006 de mourir dans un accident durant
E = E1 E2 E3 E4 E5 E6 1 / 12 000 000 = p
lascension dune montage.
( hypothse dindpendance )
On prsume que le groupe de rfrence est : groupe des personnes
rsultat : couple en accusation fut condamn : p est trop petite !
qui font de lascension de montages.
verdict fut renvers en Cour dAppel.
La probabilit est 0 si vous nen faites pas !
introduction de plus en plus dvnements dans le calcul + indpendance
27 28
Bernard CLMENT, P h D Bernard CLMENT, P h D