Statisticien Notions de statistiques et probabilités Statistique : Etude du résultat d’une expérience aléatoire Probabilité : Etude des lois théoriques des expériences aléatoires Expérience aléatoire : c’est une expérience dont le résultat est soumis au hasard. L’ensemble des résultats éventuels sont connus mais l’issue n’est pas prévisible
2 Notions de statistiques et probabilités Univers des possibilités : c’est l’ensemble des résultats possibles d’une expérience aléatoire. C’est ensemble est généralement noté 𝛀. Evènement : C’est un sous-ensemble de 𝛀 Exemples: Lancer d’une pièce de monnaie Lancer d’un dé à 6 faces
Ω = {Pile, Face} Ω = {1, 2, 3, 4, 5, 6}
A = {P} B = {F} A = {3} B = {2, 4, 6}
C={1, 6}
3 Variables aléatoires Une variable aléatoire est une application X définie sur l’univers 𝛀 et à valeur dans ℝ • X : 𝛀➾ℝ Une variable aléatoire (v.a.) est généralement notée en lettre majuscule : X,Y, Z, T etc. Toute v.a. est munie d’une probabilité Exemples : Durée de vie d’un composant électronique; nb d’essais avant d’obtenir un résultat, etc. 4 Variables aléatoires L’ensemble des valeurs possibles d’une v.a. X est appelé son Support.On le note X(𝛀) Ex. 1: X = résultat d’un lancé de dé ➩ le support de X: 𝛀 ={1, 2, 3, 4, 5, 6} Ex. 2: Lancer une balle, X = la distance parcourue par la balle avant de s’arrêter ➩ X ∈ [0, d] en supposant qu’il y ait une distance maximale d possible ➩ ou bien simplement X ∈ [0, +∞[ 5 Variables aléatoires Une v.a. est dite discrète lorsqu’elle prend des valeurs isolées Ex. Les prix de la loterie : 1er prix : 1 000 €; 2ème prix : 50 €; 3ème prix : 5,5 € o 𝛀 = {0; 5,5; 50; 1 000} Une v.a. est dite continue lorsqu’elle peut prendre toutes les valeurs d’un intervalle [a, b] de ℝ Ex. X= La taille d’un individu. xi = les valeurs (en cm) de l’intervalle I =[150; 200] • X : 𝛀 ➾ℝ • 𝛀 = I = [150 ≤ xi ≤ 200] 6 Espérance de Variable aléatoire Ex. 1. Lancer un dé plusieurs fois de suite. Supposons que pour une mise de 200F, on gagne 100F si le résultat obtenu est pair , 200F si le résultat est 1 ou 3, et on perd 300F si le résultat est 5. Question: Est-il intéressant de jouer à ce jeu? Quel est le gain moyen?
7 Espérance de Variable aléatoire 1) X est une variable DISCRÈTE à valeurs dans 𝔻= {x1, . . . , xn} L’espérance mathématique de X (Expected value en anglais), notée E(X) est donnée par 𝐸 𝑋 = σ𝑛 𝑖=1 𝑥𝑖 𝑓(𝑥𝑖 )
2) Si X est une variable DISCRÈTE à valeurs dans l’ensemble INFINI: 𝔻= {xi: i ≥1}, lorsque la somme est bien définie, son espérance implique un calcul de LIMITE 𝐸 𝑋 = σ+∞ 𝑛 𝑖=1 𝑥𝑖 𝑓 𝑥𝑖 = lim σ𝑖=1 𝑥𝑖 𝑓(𝑥𝑖 ) 𝑛⇢∞
3) Si X est une variable CONTINUE (à densité, f), son espérance est déterminée par une +∞ INTÉGRALE généralisée 𝐸 𝑋 = −∞ 𝑥𝑓 𝑥 𝑑𝑥 Propriétés : ① L’espérance est LINÉAIRE: soient a et b ∈ ℝ, deux v.a.X et Y d’espérance FINIE E[aX+bY] = a E[X] +b E [Y] ② Si X ≥ 0, alors 𝔼[X] ≥ 0 ③ Si X ≤ Y , alors 𝔼[X] ≤ 𝔼[Y] 8 Espérance de Variable aléatoire Propriétés de l’espérance Règle ❶ ☞ Espérance d'une variable aléatoire à la puissance ☞ Espérance de X au carré : ☞ Espérance de X au cube : Règle ❷ ☞ SOMME et DIFFÉRENCE de Variables Aléatoires : 𝔼(X+Y) = 𝔼(X) + 𝔼(Y) 𝔼(X -Y) = 𝔼(X) - 𝔼(Y) Règle ❸ ☞ ADDITION d’une CONSTANTE à une v.a. : 𝔼(X+a) = 𝔼(X) + a Règle ❹ ☞ MULTIPLIER X par une CONSTANTE : 𝔼(b X) = b 𝔼(X) ∀ b∈ℝ Règle ❶ ☞ Espérance d'une variable aléatoire à la puissance Règle ❺ ☞ PRODUIT (dans le cas de variable indépendante) : 𝔼(XY) = 𝔼(X) 𝔼(Y)
9 Espérance de Variable aléatoire Propriétés de l’espérance: Proposition : Soit X une v. a. et 𝒽 une fonction quelconque définie sur ℝ (𝒽: ℝ⟼ℝ) ❶ si X est une VARIABLE DISCRÈTE à valeurs dans 𝔻= {x1, . . . , xn} 𝑛
𝐸ℎ 𝑋 = ℎ 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖) 𝑖=1 ❷ si X est une VARIABLE DISCRÈTE à valeurs dans l’ensemble INFINI 𝔻 = {xi: i ≥1}, lorsque la somme est bien DÉFINIE : +∞
𝐸ℎ 𝑋 = ℎ 𝑥𝑖 𝑃(𝑋 = 𝑥𝑖) 𝑖=1
❸ si X est une VARIABLE CONTINUE (À DENSITÉ 𝕗) lorsque l’INTÉGRALE est bien
définie : +∞
𝐸[ℎ 𝑋 ] = න ℎ 𝑋 𝑓 𝑥 𝑑𝑥 −∞
10 Variance et Ecart-Type La VARIANCE mesure l'écart des valeurs de la variable par rapport à l'espérance Var(X) = 𝔼 [(X – 𝔼(X))2] = 𝔼 [X2]– 𝔼[X]2
Propriétés : ❶ Var(X) = 0 ⟷ X est CONSTANTE ❷ Soient a et b ∈ ℝ, alors 𝑉𝑎𝑟 𝑎𝑋 + 𝑏 = 𝑎2 𝑉𝑎𝑟(𝑋)
L’ÉCART-TYPE : l’écart moyen (distance moyenne) entre la variable et sa moyenne
𝜎 𝑋 = 𝑉𝑎𝑟(𝑋) ☞ plus l’écart-type est grand plus la var prend des valeurs qui peuvent être éloignées les unes des autres ☞ plus l’écart-type est petit plus la var. prend des valeurs proches de sa moyenne
11 Variance et Ecart-Type La VARIANCE d’une variable aléatoire DISCRÈTE FINIE : 2 𝑉𝑎𝑟 𝑋 = σ𝑛 𝑖=1 𝑥𝑖 − 𝐸 𝑋 𝑓(𝑥𝑖 ) = σ𝑛𝑖=1 𝑥𝑖2 𝑓 𝑥𝑖 − 𝐸(𝑋)2 Ex. Calculer l’espérance et la variance de X:
12 Variance et Ecart-Type La VARIANCE d’une v. a. CONTINUE est, là encore, l'espérance de la moyenne des carrés de ses écarts par rapport à sa moyenne +∞ 2 𝑉𝑎𝑟 𝑋 = 𝐸(𝑋 − 𝐸(𝑋))2 = −∞ 𝑥 − 𝐸 𝑋 𝑓 𝑥 𝑑𝑥
EX: Vous donnez ordre à votre courtier de vous acheter 12 actions de la compagnie ABC au prix du marché X. Supposons que µx = 27, σx = 3. Vous recevrez une facture dont le montant Y est la valeur de vos actions, plus une commission forfaitaire de 50 $. Déterminer l'espérance et l'écart-type de Y.
EX: On suppose que le poids (en kg) des adultes suit une distribution de moyenne égale à 64 distribue et d’écart-type égal à 12. Soit X le poids total de 14 personnes qui s'entassent dans un ascenseur. Calculez l'espérance mathématique et la variance de X.
13 Probabilité conjointe Probabilité Conjointe (fonction de densité conjointe des v. a.) X et Y , 𝑓 𝑥𝑖, 𝑦𝑗 = 𝑃(𝑋 = 𝑥𝑖, 𝑌 = 𝑦𝑗) , X et Y deux variables discrètes dont l’ensemble des valeurs possibles sont respectivement {x1, … , xn} et {y1, …, ym} L’espérance conjointe est donnée par :
EX:
14 Probabilité Marginale Lorsqu’on connaît la loi conjointe des X et Y , on peut aussi s’intéresser à la loi de proba de X seule et de Y seule ➾les lois de probabilité marginales Soient X,Y deux v. a. admettant comme loi de probabilité conjointe f(x, y). Alors, les lois de probabilité marginales de X et Y sont définies :
Ex: Déterminons les distributions de X et de Y à partir des données de l’exemple
précédent.
15 Probabilité Conditionnelle Soient X et Y, deux v.a. admettant comme loi conjointe f(x, y) et comme lois marginales 𝑓𝑋 𝑋 et 𝑓𝑌 (𝑌) Si l’on suppose que la proba que X prenne xi n’est pas nulle, alors la proba conditionnelle que Y prenne yj sachant que (X=xi), se réalise est :
Ex: Des données de l’exemple précédent, déterminer les proba. Conditionnelles
16 Variables aléatoires Indépendantes X et Y sont indépendantes lorsque : - la loi conditionnelle de X, pour toute valeur de Y , est IDENTIQUE à la loi marginale de X - la loi conditionnelle de Y , pour toute valeur de X, est IDENTIQUE à la loi marginale de Y X et Y sont INDÉPENDANTES ssi les probas conjointes sont égales au produit des probas marginales :
Ex: A partir des données de l’exemple précédent, déterminer si X et Y sont indépendant
17 Covariance La COVARIANCE de X et Y permet de déterminer l’intensité de leur dépendance
A partir des données de l’exemple précédent, déterminer la covariance ente X et Y
18 Covariance Proposition : Si deux v.a. sont INDÉPENDANTES, leur covariance est NULLE. Si deux v.a. sont DÉPENDANTES, 𝔼(XY) = 𝔼(X) 𝔼(Y) + Cov(X, Y) Var(X + Y) = Var(X) + Var(Y) + 2Cov(X, Y) N.B. : La Covariance mesure la force du lien qui peut exister entre X & Y . ⨻ Limite : fortement influencée par les unités de mesure des variables en présence
19 Corrélation La CORRÉLATION : mesure statistique destinée à rendre compte du sens et de la force de la liaison mathématique qui peut exister entre deux variables quantitatives (X et Y)
20 Corrélation La CORRÉLATION (𝛒(X,Y)) : la mesure du degré de liaison entre X et Y .
𝛒(X,Y) est leur covariance divisée par la racine carrée de leurs variances respectives.
Avantage: Standardise la covariance et la corrige de l’influence des unités de mesure des variables 𝛒(X,Y) est compris entre -1 et 1
Ex: A partir des données de l’exemple précédent, déterminer le coefficient de
corrélation entre X et Y
21 Corrélation Proposition : ☞La covariance de deux v.a. indépendantes est zéro ⟿ leur corrélation est NULLE. ☞ ATTENTION : La réciproque n’est pas vraie. Deux v.a. de corrélation NULLE NE sont PAS obligatoirement indépendantes. ☞ Comme l'ESPÉRANCE est un opérateur linéaire, l’espérance de la somme des v.a. pondérées est la somme des espérances des v.a. pondérées 𝔼[c1X + c2Y] = c1𝔼(X) + c2𝔼(Y)
La VARIANCE de la somme des v.a. pondérées :
22 Corrélation LIMITES de la corrélation :
⨻ Ne concerne qu’une relation linéaire. Lorsqu’elle ne l’est pas, ce
coefficient peut induire en erreur , surtout sur l’intensité de la liaison entre variables. ⨻ Ne concerne que les variables quantitatives. ⨻ Ne permet ni d’établir une causalité, ni de mesurer l’impact d’une variable sur l’autre. Permet simplement de rendre compte du sens et du degré d’association éventuelle entre variables. ⨻ Ne peut tenir qu’à un facteur confondant ou artefact. Les deux variables peuvent simplement être liées à un même phénomène-source : une 3ème variable dont il faut neutraliser l’effet.
23 Loi de probabilité La loi de Probabilité d’une variable aléatoire permet de connaître les chances d’apparition des différentes valeurs de cette var. ⟿ l’espace de probabilité (𝛀, ℙ)
Fonction de Densité, 𝕗(x)[Probability Density Function, PDF] :
☞ toutes les valeurs possibles prises par une VAR ALÉA avec leurs chances de se produire ☞ permet de caractériser l’intensité de la proba d’apparition des différentes valeurs
24 Loi de probabilité Fonction de Répartition, 𝔽x [Cumulative Distribution Function, CDF] : ☞ la distribution des PROBABILITÉS CUMULÉES ☞ défini la loi de probabilité de X, 𝔽x : ℝ ➾ [0, 1]; x ⟼ ℙ (X ≤ x)
Remarque 1 : ☞ deux v.a. X et Y ont la même loi si elles ont la même fonction de répartition
25 Loi de probabilité Remarque 2 : Soit I un intervalle de ℝ. L’événement {X ≤ x} représente l’ensemble des valeurs 𝛚 ∈ 𝛀 telles que X(𝛚) soit inférieur à x : {X ≤ x} = {𝛚 ∈ 𝛀 : X (𝛚) ≤ x}
Remarque 3 : ℙ(X ∈ ℝ) =1, car ℙ(X ∈ℝ) = ({𝛚 ∈ 𝛀 : X (𝛚)
∈ ℝ}) = ℙ (𝛀) =1
Propriétés : La fonction de répartition est une fonction
croissante à valeurs dans [0, 1]
26 Loi de probabilité Loi d'une variable discrète : Soit X le résultat d'un lancé de dé, X (𝛀) = {1, 2, 3, 4, 5, 6} ☞Donner 𝓛(X)➟calculer les ℙ(X=x) pour toutes les valeurs x possibles prises par X
27 Loi de probabilité : Loi uniforme Définition : X suit la loi uniforme sur {x1, …, xn}, lorsque X(𝛀) ={x1, …, xn} et que ℙ(X = xi) = 1/n pour tout 1≤ i ≤ n Ex. On lance deux dés et on s’intéresse à la somme des points, notée X : où le nombre de cas (résultats) possibles est 36 X : 𝛀 ➾ ℝ avec 𝛀 = {(1, 1), (1, 2), . . . , (6, 5), (6, 6)}; L’ensemble des valeurs possibles de X : 𝛀 = {2, 3, . . . , 12}
28 Loi de probabilité : Loi uniforme
29 Loi de probabilité : Loi uniforme Fonction de répartition d’une variable aléatoire discrète : fonction DISCONTINUE, constante par morceaux , ou fonction en escalier
30 Loi de probabilité : Loi de Bernoulli Une v.a. qui ne prend que deux valeurs : Échec = 0 vs. Succès = 1 Ex. On souhaite savoir si un composant électronique est défectueux. 1 = s’il est défectueux (succès) vs. 0 = sinon (échec) ➩ La loi est donnée par : P (X = 1) = 𝚙 P(X = 0)=1 − 𝚙 Définition : ➩ X suit la loi de Bernoulli de paramètre p ∈ [0, 1]: X ~ 𝓑(p) si : o X ∈ {0, 1} o ℙ(X = 1)=p o ℙ(X = 0)=1 – p
31 Loi de probabilité : Loi de Binomiale Loi Binomiale (X ~ 𝓑(n, p) avec p ∈ [0, 1], n ∈ ℕ, n ≥ 1) Loi du nb de succès lors de n ESSAIS indépendants d'une même expérience probabiliste ☞ Épreuve de Bernoulli de paramètre p est renouvelée n fois de manière INDÉPENDANTE ☞ Utilisée pour modéliser un « sondage avec remise » Notez X le nb de succès obtenus à l’issue des n épreuves et sa loi 𝓑(n, p) : ☞ On peut écrire le nb de succès X à l’aide des résultats de chaque épreuve de Bernoulli ☞ On note Xi le résultat de la ième expérience : X = X1+ … + Xn
32 Loi de probabilité : Loi de Binomiale Définition : X ~ 𝓑(n, p), avec (n ∈ ℕ, n≥1) et (p∈[0, 1]) lorsque X ∈ {0, 1, 2, …, n}
Caractéristiques o 𝔼[X] = n p o Var(X) = n p(1 - p)
Ex: On choisit au hasard une famille, parmi les familles ayant 5
enfants. Quelle est la probabilité qu’il y ait moins de deux filles dans cette famille? 33 Loi de probabilité : Loi de Binomiale
34 Loi de probabilité : Loi de Poisson Loi de Poisson (X ~ 𝓟(𝛌), avec 𝛌 > 0 un réel) : « LOI DES PETITS NOMBRES » ☞comptage D’ÉVÉNEMENTS RARES ☞des événements ayant une FAIBLE PROBABILITÉ de RÉALISATION ☞ la proba d’apparition de k événements rares et INDÉPENDANTS (dans un laps de temps) Ex. maladies rares, accidents mortels rares, le titrage d’une solution virale, mutations ou recombinaisons dans une séquence génétique, pannes, radioactivité… ~ 𝓛 de 𝓟(𝛌) Définition : Soit 𝛌 > 0. X suit la loi de Poisson de paramètre 𝛌 si pour tout entier k ≥ 0
35 Loi de probabilité : Loi de Poisson Caractéristiques :
EX. Un étudiant fait la mise à jour de son ordinateur 2 fois par mois. Par an, quelle est la probabilité pour cet étudiant de faire 30 mises à jour?
36 Loi de probabilité : Loi continue Définition : Fonction de Densité d’une Variable Continue : X est à densité (ou continue) s’il existe une fonction f définie et intégrable sur R et respectant les contraintes suivantes :
𝑏 𝑃 𝑎≤𝑋≤𝑏 = 𝑓 𝑎 𝑥 𝑑𝑥 Définition : Fonction de Répartition d’une Variable Continue : si la fonction de densité d’une VAR est 𝕗, alors la fonction 𝔽 : x⇾ Proba (X ≤ x) est la fonction de répartition de X :
37 Loi de probabilité : Loi continue Propriétés : 𝔽(-∞) = 0 ; F(+∞) = 1 𝔽 est continue, croissante De la forme de la fonc. de densité dépend celle de la fonc. de répartition (et vice-versa)
38 Loi de probabilité : Loi Normale La Loi Normale (Loi Gaussienne, Loi de Gauss ou Loi de Laplace- Gauss) X ~ 𝒩 (𝛍, 𝛔2) : ☞ La plus utile et la plus adaptée des lois continues pour modéliser des phénomènes issus de plusieurs événements aléatoires.
39 Loi de probabilité : Loi Normale Cas Particuliers : la Loi normale centrée réduite Si 𝛍 = 0, la loi normale est dite CENTREÉ Si 𝛔 = 1, elle est dite REDUITE X ~ 𝒩 (0, 1) EX. Z ~ 𝒩 (0, 1). Calculer les probabilités suivantes a) P[Z> 1,25]; b) P[Z ≤-1]; c) P[1,15 < Z ≤2,11]; EX. Supposons que les montants correspondant à une population de factures sont de moyenne µ = 200000F et d'écart-type σ= 40000F. En supposant que les montants des factures soient de loi normale, déterminer la probabilité qu'une facture tirée au hasard corresponde à un montant compris entre 20000F et 280000F.
40 Loi de probabilité : Loi Gamma
41 Loi de probabilité : Loi du Khi-deux
42 Moments empiriques Moyenne empirique
43 Moments empiriques Variance empirique
44 Moments empiriques Variance empirique
45 Echantillon d’une loi normale
46 Théorème limite central
EX. Considérons la distribution exponentielle. Si X a une distribution exponentielle, alors sa fonction de densité est de la forme suivante Que peut on dire de la distribution de 𝑋𝑛 lorsque n tend vers l’infini
![L’Impact Des Dépenses Publiques Sur l’Importation en Algérie Etude Économétrique Sur La Période [1990 - 2012]](https://imgv2-1-f.scribdassets.com/img/document/490656597/149x198/781261c9df/1610589709?v=1)
