Académique Documents
Professionnel Documents
Culture Documents
=13
c =13 ¨=13 =13 1 = 13a = 13
R = 13´= 13¯= 13
Pr.Sahar SAOUD
Echantillonnage;
Statistique:
Statistique descriptive,
Régression linéaire,
Régression multiple.
On dit qu’un ensemble E est fini s’il est vide (E = ∅ ;), ou s’il
existe un entier naturel n et une fonction bijective de
{1; 2; ...; n} dans E .
Lorsqu’un ensemble E est fini, on appelle le nombre de ses
éléments le cardinal de E et on le note Card(E ) ou encore
#E .
On dit qu’un ensemble E est dénombrable s’il existe une
fonction bijective de IN dans E .
A\B =A∩B
Loi de Morgan: A ∪ B = A ∩ B et A ∩ B = A ∪ B.
m! = m ∗ (m − 1) ∗ (m − 2)...3 ∗ 2 ∗ 1
Par convention :
0! = 1
En résumé
En résumé
Exemple introductif
Exemple introductif
Exemple introductif
Application
Application
Définition
Théorème
Pn = n!
Exemples:
Exemples:
Défnition
Exemples
(a, a), (a; b); (a; c); (a; d); (b, b); (b; a); (b; c); (b; d);
(c, c); (c; a); (c; b); (c; d); (d, d); (d; a); (d; b); (d; c)
Exemples
Exemples
Exemples
Définition
Exemples
Exemples
Exemples
Exemples
Exemples
Exemples
Exemples
Définition:Evénements
Définition:Evénements
Evénements particuliers
Evénements particuliers
Exemple
Exemple
Définition: Tribu
∀A ∈ C, A ∈ C.
Ω ∈ C.
Définition
Définition
Définition
Définition
Définition
Définition
Définition
Définition
Définition
Définition
P : Ω −→ [0, 1]
A 7−→ P(A)
qui vérifie les trois critères suivants:
0 ≤ P(A) ≤ 1
P(Ω) = 1 et P(∅) = 0.
Si A ∩ B = ∅, alors:
Définition
P : Ω −→ [0, 1]
A 7−→ P(A)
qui vérifie les trois critères suivants:
0 ≤ P(A) ≤ 1
P(Ω) = 1 et P(∅) = 0.
Si A ∩ B = ∅, alors:
Si A ∩ B 6= ∅ alors,
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Si on a A1 , A2 ,..., An des événements deux à deux disjoints ,
alors la probabilité P vérifie que:
i=n
[ i=n
X
P( Ai ) = P(Ai )
i=1 i=1
Si A est un événement, alors:
P(A) = 1 − P(A)
Si A et B sont deux événements tels que A ⊂ B alors:
P(A) ≤ P(B)
Pr.Sahar SAOUD Probablité & Statistique
Probabilité
Application 1
Application 1
Application 2
Ω = {a1 , a2 , a3 , ..., an }
Nous avons :
Ω = ∪ni=1 Ai
Or, on sait que P(Ω) = 1, et comme les événements sont
disjoints deux à deux:
P(Ω) = 1 = P(∪ni=1 Ai )
et
P(∪ni=1 Ai ) = Σni=1 P(Ai ) = np
Ce qui donne que :
1
p=
n
Donc pour chaque événement Ai , nous avons:
1
P(Ai ) = =p
n
Pr.Sahar SAOUD Probablité & Statistique
Equiprobablié
Nous avons :
Ω = ∪ni=1 Ai
Or, on sait que P(Ω) = 1, et comme les événements sont
disjoints deux à deux:
P(Ω) = 1 = P(∪ni=1 Ai )
et
P(∪ni=1 Ai ) = Σni=1 P(Ai ) = np
Ce qui donne que :
1
p=
n
Donc pour chaque événement Ai , nous avons:
1
P(Ai ) = =p
n
Pr.Sahar SAOUD Probablité & Statistique
Equiprobablié
Nous pouvons remarquer que tout événement A est une
réunion d’événements élémentaires Ai .
Alors pour un certain sous ensemble d’indices J de l’ensemble
{1, 2, 3..., n}, on peut écrire A:
A = ∪i∈J
Or les Ai sont disjoints deux à deux:
P
X X1 Card(A)
P(A) = P(Ai ) = = i∈J =
n n Card(Ω)
i∈J i∈J
Donc pour le cas d’équiprobabilité:
Card(A)
P(A) =
Card(Ω)
Autrement,
nombre de cas favorables
P(A) =
nombre de cas possibles
Pr.Sahar SAOUD Probablité & Statistique
Equiprobablié
Nous pouvons remarquer que tout événement A est une
réunion d’événements élémentaires Ai .
Alors pour un certain sous ensemble d’indices J de l’ensemble
{1, 2, 3..., n}, on peut écrire A:
A = ∪i∈J
Or les Ai sont disjoints deux à deux:
P
X X1 Card(A)
P(A) = P(Ai ) = = i∈J =
n n Card(Ω)
i∈J i∈J
Donc pour le cas d’équiprobabilité:
Card(A)
P(A) =
Card(Ω)
Autrement,
nombre de cas favorables
P(A) =
nombre de cas possibles
Pr.Sahar SAOUD Probablité & Statistique
Equiprobabilité
Exemples:
Définition
Définition
Définition
Formule de Bayes
P(A ∩ B) = P(A)P(B)
P(A ∩ B) = P(A)P(B)
Solution.
Card(A)
P(A) =
Card(Ω)
On calcule séparément:
78 33
P(F ∩ W ) = P(W ) ∗ P(F /W ) = ∗
150 78
60 78
P(F ) ∗ P(W ) = ∗
150 150
On remarque que les deux valeurs sont différentes. On peut
conclure que les deux événements F et W ne sont pas
indépendants.
T.A.F.
Exemple introductif
Définition
On se donne une expérience aléatoire, un espace fondamental Ω et
une probabilité P.
Définition
Soit X une variable aléatoire et ΩX son ensemble d’arrivée.
f : ΩX −→ [0, 1]
Exemple
Reprenons l’exemple précédent.
Remarques
3 Pour l’exemple:
x −50 100
P(X = x) 1/2 1/2
Remarques
3 Pour l’exemple:
x −50 100
P(X = x) 1/2 1/2
Remarques
Remarques
Fonction de répartition.
Lois Classiques.
Définition et propriétés
F : IR −→ [0, 1]
Exemple
Exemple
Définition
Soit X une v.a.d et soit f sa loi de probabilité.
On appelle espérence de X et on note E (X ) le nombre réel
(s’il existe): X
E (X ) = xi P(X = xi )
i
Remarques
Soit X une v.a.d et soit f sa loi de probabilité.
Soit a ∈ IR. E (a) = a car a n’est pas aléatoire donc sa
probabilité est 1. En effet:
X
E (a) = ai P(a = ai ) = a ∗ 1 = a
i
Exemple
Soit le jet d’un dé non truqué. La variable aléatoire X est le
numéro obtenu.
Ω = {1; 2; 3; 4; 5; 6} et ΩX = {1; 2; 3; 4; 5; 6}
La loi de probabilité est donnée par:
Définition
Soit m un entier naturel.
D’une façon générale, on appelle moment d’ordre m de X et
on note E (X m ) le nombre réel:
X
E (X m ) = (xi )m P(X = xi )
i
E (X 2 ) = 91/6
Définition
Soit m un entier naturel.
D’une façon générale, on appelle moment d’ordre m de X et
on note E (X m ) le nombre réel:
X
E (X m ) = (xi )m P(X = xi )
i
E (X 2 ) = 91/6
V (X ) = E (X − E (X ))2
ou encore
V (X ) = E (X 2 ) − (E (X ))2
La variance mesure la dispersion de X autour de sa valeur
centrale E (X ).
Une v.a pour laquelle la variance est égale à 1 est dite réduite.
Application
On jette deux dés équilibrés. Soit X la variable aléatoire
représentant la somme des chiffres obtenus.
Déterminer la loi de probabilité f de X .
Repésenter graphiquement FX et f .
Définition
La variable aléatoire X suit une loi de Bernouilli de paramètre p
(0 ≤ p ≤ 1) si:
ΩX = {0; 1}
P(X = 1) = p, P(X = 0) = 1 − p
Définition
La variable aléatoire X suit une loi de Bernouilli de paramètre p
(0 ≤ p ≤ 1) si:
ΩX = {0; 1}
P(X = 1) = p, P(X = 0) = 1 − p
Exemple
p = 1/2
Théorème
La loi de Bernouilli est une loi de probabilité.
En effet,
P(X = 1) = p ≥ 0 et P(X = 0) = 1 − p ≥ 0.
P(X = 1) + P(X = 0) = p + (1 − p) = 1
Théorème
La loi de Bernouilli est une loi de probabilité.
En effet,
P(X = 1) = p ≥ 0 et P(X = 0) = 1 − p ≥ 0.
P(X = 1) + P(X = 0) = p + (1 − p) = 1
Théorème
Si X suit une loi de Bernouilli de paramètre p, alors:
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = p − p2 = p(1 − p)
Théorème
Si X suit une loi de Bernouilli de paramètre p, alors:
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = p − p2 = p(1 − p)
Théorème
Si X suit une loi de Bernouilli de paramètre p, alors:
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = p − p2 = p(1 − p)
Théorème
Si X suit une loi de Bernouilli de paramètre p, alors:
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = p − p2 = p(1 − p)
Définition
La variable aléatoire X suit une loi Binomiale notée B(n; p) de
paramètres n ∈ IN et p ∈ [0; 1] si:
ΩX = {0; 1; :::; n}
Théorème
Définition
La variable aléatoire X suit une loi uniforme notée Un de
paramètre n si:
Elle prend toutes les valeurs de 1 à n
ΩX = {0; 1; ...; n}
Exemple
E (X ) = (n + 1)/2.
λk −λ
∀k ∈ ΩX , P(X = k) = e
k!
E (X ) = λ et V (X ) = λ.
...
...
Exemples:
Remarque Importante:
Introduction:
La présentation des séries statistiques est l’étape préalable à tout
travail statistique. Elle peut prendre deux formes:
1 Tableau statistique.
2 Graphique.
o1 , o2 , ..., oN
Remarques:
? Une même valeur peut être observée plusieurs fois et doit de ce
fait être mentionnée autant de fois que le nombre de répétition.
ai = Bsup − Binf
Effectifs cumulés:
Soit xi une des valeurs d’une série statistique. Pour cette valeur,
on calcule sur le tableau statistique:
fréquences cumulées:
Soit xi une des valeurs d’une série statistique. Pour cette valeur,
on calcule sur le tableau statistique:
Application NÂ◦ 2:
Soit le tableau suivant qui donne la répartition des naissances des
enfants suivant l’âge de la mère :
Représentations graphiques:
?Bien qu’un tableau statistique renferme toute l’information
concernant une série statistique, il est très utile de le traduire par
un graphique.
variable qualitative:
N −→ 360Â◦
ni −→ αi
pour obtenir :
ni
αi = 360. = 360fi
N
Exemple
Exemple
0, pour X inférieur strictement à x
N1 = n 1 , pour x1 ≤ X < x2 ;
N2 = N1 + n2 , pour x2 ≤ X < x3 ;
N3 = N2 + n3 , pour x3 ≤ X < x4 ;
% N(X ) = ., ;
., ;
., ;
xk−1 ≤ X < xk ;
Nk−1 = Nk−2 + nk−1 , pour
Nk = Nk−1 + nk = N, pour X ≥ xk .
Exemple
Pr.Sahar SAOUD Probablité & Statistique
Représentation des données
X ≤ x1 ;
N1 = N, pour
N2 = N1 − n1 , pour x1 < X ≤ x2 ;
N3 = N2 − n2 , pour x2 < X ≤ x3 ;
N4 = N3 − n3 , pour x3 < X ≤ x4 ;
& N(X ) = ., ;
., ;
., ;
Nk = Nk−1 − nk−1 , xk−1 < X ≤ xk ;
pour
0, pour X suprérieur strictement à x
Exemple
Il est à noter que dans les deux cas, on peut remplacer les effectifs
cumulés Ni par les fréquences cumulées Fi .
Exemple
Représentation des données
Exemple:
Représentation des données
Autres représentations graphiques: Coordonnées polaires
Sans titre.jpg
Représentation des données
Exemple:
Réduction des données
Paramètres de position :
ce qui donne encore :
k
X
X̄ = fi xi
i=1
Paramètres de position :
ce qui donne encore :
k
X
X̄ = fi xi
i=1
Me = ot+1
Application N Â◦ 1
1 Compléter le tableau.
2 Calculer les paramètres de la tendance centrale.
Réduction des données
Cette mesure est souvent utilisée car elle est dépourvue d’unité et
insensible aux changements d’échelle.
h=i
X ni ci
Qi = qh avec qi = Pk=i
h=1 i=1 ni ci
.
La courbe de la concentration
Image2.jpg
L’Indice de Gini
k
X
Indice de Gini = 1 − fi (Qi + Qi−1 )
i=1
La médiale
0, 5 − Qi−1
Ml = Binfi + ai
qi