Académique Documents
Professionnel Documents
Culture Documents
Probabilité totale = 1
Quels que soient les événements A et B, on peut toujours écrire que
Noircir l’événement .
Des événements sont mutuellement exclusifs lorsqu’ils sont disjoints ou ne peuvent pas se
produire simultanément.
P ( A 1 ou A 2 ou A 3 ou … ou A k )=P( A ¿¿1)+ P ( A 2 ) + P( A3 ) ¿ P
1. Valeurs possibles.
Lorsque la répartition de données, recueillies dans la pratique, est étudiée, on peut parler de
distribution empirique
Une distribution de probabilité est un modèle théorique dont l’objectif est d’expliquer le mieux
possible le comportement des observations d’une variable.
Un bon modèle théorique pour une variable s’accorde à la répartition des données recueillies
lors de l’observation de cette variable dans la pratique. En d’autres mots, on souhaite une
bonne adéquation entre la distribution empirique et la distribution de probabilité.
Prise de notes en lien avec la capsule
La valeur espérée de la variable X , que l’on dénote par E(X) se définit comme la valeur espérée
que l’on obtient si on observe X un grand nombre de fois, de façon indépendante d’une fois à
l’autre. Cas d’une variable discrète
E [ X ] =¿ SOMMEPROD(valeurs de X , probabilités )
La loi binomiale
Une expérience de Bernoulli est une expérience aléatoire à laquelle il y a exactement 2 issues
possibles :
Succcès
Expérience
aléatoire Échec
Quatre ingrédients sont essentiels pour garantir que la variable X soit de loi binomiale
1. un nombre prédéterminé d’épreuves de Bernoulli, notons-le n est réalisé;
2. la probabilité d’obtenir un succès est identique à chaque épreuve, notons-la p;
3. les épreuves de Bernoulli sont indépendantes entre elles;
4. X =¿ nombre succès parmi les n épreuves.
Probabilité totale = 1
Quels que soient les événements A et B, on peut toujours écrire que
Noircir l’événement .
Des événements sont mutuellement exclusifs lorsqu’ils sont disjoints ou ne peuvent pas se produire
simultanément.
P ( A 1 ou A 2 ou A 3 ou … ou A k )=P( A ¿¿1)+ P ( A 2 ) + P( A3 ) ¿ P
Selon la règle de l’inclusion, les probabilités de A et B satisfont la règle de l’inclusion quand l’événement
B se réalise automatiquement aussitôt que A est réalisé, ce qui s’écrit mathématiquement au moyen de
l’expression A⊆B (A est inclue dans B), où P(A) ≤ P(B). Par exemple A : regarder Prison break et Suits, B :
regarder Suits. Si un étudiant regarde Prison Break et Suits (A), il est certain qu’il regarde Suits (B).
B
N= ne répond pas A
R = répond, NC= taux de réponse
P(R)=1-P(N)
Règle de la multiplication pour événements indépendants
On dit que des événements A1 , A 2 ,… , Ak sont indépendants si l’occurrence des uns n’a aucun
impact sur l’occurrence des autres.
Si A1 , A 2 ,… , Ak sont des événements indépendants, alors la règle de la multiplication affirme
que
Lorsque la répartition de données, recueillies dans la pratique, est étudiée, on peut parler de
distribution empirique
Une distribution de probabilité est un modèle théorique dont l’objectif est d’expliquer le mieux
possible le comportement des observations d’une variable.
Un bon modèle théorique pour une variable s’accorde à la répartition des données recueillies
lors de l’observation de cette variable dans la pratique. En d’autres mots, on souhaite une
bonne adéquation entre la distribution empirique et la distribution de probabilité.
n
E [ X ] =¿ ∑ x i p i
i
La loi binomiale
Une expérience de Bernoulli est une expérience aléatoire à laquelle il y a exactement 2 issues
possibles :
Succès
Remplir les boîtes par les
Expérience noms généralement
aléatoire utilisés.
Échec
Quatre ingrédients sont essentiels pour garantir que la variable X soit de loi binomiale
5. un nombre prédéterminé d’épreuves de Bernoulli, notons-le n est réalisé;
6. la probabilité d’obtenir un succès est identique à chaque épreuve, notons-la p;
7. les épreuves de Bernoulli sont indépendantes entre elles;
8. X =¿ nombre succès parmi les n épreuves.
Sur Excel : 1er argument = nb succès (x), tirage=nb d’épreuves réalisées (n), probabilité succès
= p, cumulative = champ logique (0 means X=x, 1 means P(X≤ x )
Capsule complémentaire
Calcul rapide de la valeur espérée avec Excel
E [ X ] =¿ SOMMEPROD(valeurs de X , probabilités )
Pour les variables continues, les distributions de probabilités sont communiquées sous la forme
de courbes qui capture la répartition des données parmi leurs valeurs possibles.
La clé de la modélisation adéquate d’une variable aléatoire continue est de choisir une
distribution de probabilités dont la forme de la courbe épouse bien la forme de l’histogramme
des données recueillies.
Modèle symétrique de cloche = loi normale
Présentation de la loi normale
Si on utilise le modèle normal pour une variable aléatoire, c’est qu’on lui attribue le type…
d) continu b) discret (encercler la bonne réponse)
Moyenne
Indiquer dans les trois boîtes trois
Mode façons de caractériser l’axe de
symétrie (ou le centre).
Médiane
Dans les applications, la loi normale est rencontrée (ex. demande ou revenus)
a) très fréquemment b) rarement (encercler la bonne réponse)
La loi normale est caractérisée par 2 paramètres : moyenne ( μ) et écart-type (σ ). On utilise la
notation :
X N( μ, σ )
Grand écart-type
grande dispersion
courbe évasée
Petit écart-type
petite dispersion
courbe pointue
Peu importe les valeurs des deux paramètres, la loi normale se caractérise par des pourcentages
bien spécifiques d’observations attendues dans divers voisinages symétriques de la moyenne,
dont la longueur se définit en multiples de l’écart-type :
connu
Attention : dans le champ logique « cumulative », toujours inscrire 1. Les autres détails
d’utilisation de la fonction Excel se trouvent dans la capsule.
Toute probabilité peut s’exprimer en termes de probabilités de la forme P( X < x).
Notons aussi que
1. P ( X < x )=P( X ≤ x)
2. P ( X > x )=P( X ≥ x)
Compléter ces deux équations.
d’où on n’a pas à se préoccuper du caractère strict ou non strict des inégalités lors des calculs
car P(X=x) = 0
P(≥ 7) = 1- P( X ≤ 7)
Calcul d’un quantile : Parfois, on fait face au problème inverse, c’est-à-dire qu’une probabilité
de la forme P ( X < x )est donnée et on cherche la valeur de X qui lui est associée. La fonction
Excel LOI.NORMALE.INVERSE.N permet d’obtenir la réponse :
connue
PAS OUBLIER QUE SYMÉTRIE = UTILE (même distance du centre = même probabilité)
Combinaisons de variables normales
Une combinaison linéaire de variables normales est de loi normale. Ce principe s’exprime
concrètement à travers deux règles, utiles pour les calculs :
Règle 1 : Si X N( μ , σ ¿ et T =aX + c , alors
T N(aμ+ c ,|a|σ ¿
Règle 2 : Supposons que X 1 , X 2 , … , X n satisfont les deux conditions :
1. elles sont de loi normale ↔ X i N (μi , σ i )
2. elles sont indépendantes
Si S=¿ X 1 + X 2+ …+ X n alors S N ( μ , σ ) , où
μ=μ 1+ μ 2+ …+ μn
σ =√ σ 12 +σ 22 +…+ σ n2
Distribution et nombre d’observations
Grand principe : pour une variable aléatoire obéissant à une distribution de probabilités
donnée, plus on l’observe (indépendamment) un grand nombre de fois, alors meilleur est
l’accord entre la répartition des données (distribution empirique) et la distribution théorique.
S’il était possible d’observer la variable un nombre infini de fois, alors l’accord serait parfait.
Dans une étude empirique, plus le nombre d’observations de la variable à l’étude est grand,
alors plus la forme de la distribution apparaît clairement et mieux on est outillé pour juger de la
qualité d’une distribution de probabilités comme modèle (si besoin est).
Remarque : Peu importe que ce soit le nombre d’observations ou la fréquence d’observation exprimée en pourcentage, qui soit rapportée dans
un histogramme ou un diagramme à bâtonnets, on y perçoit tout aussi bien la distribution.
Difficulté rencontrée : sa valeur est inconnue a priori, c’est-à-dire que c’est une variable
aléatoire.
Objectif : caractériser les variations de Y , c’est-à-dire déterminer la distribution de Y .
(Cela permettra de savoir quelle est la valeur moyenne de Y , d’évaluer l’exposition au
risque en étudiant le niveau de variabilité, etc.)
Ingrédients nécessaires à la résolution du problème
Deux ingrédients sont essentiels pour que la simulation permette d’atteindre l’objectif :
Méthode 1 2
Usage direct des règles du Simulation Monte Carlo
calcul des probabilités
Avantage : Inconvénient :
Une erreur d’estimation
Précision de la méthode Fournit la distribution est commise lors de la
exacte de Y . détermination de la
distribution de Y .
Inconvénients : Avantage :
Ne permet de résoudre
que des problèmes très Est toujours applicable!
Spectre d’application
simple
Fonctionne rarement en
pratique.
Exemple de règles pouvant être utilisées lors de l’application de la méthode 1 : les règles sur les
combinaisons linéaires de variables obéissant à la loi normale.
Exemple :
Puisque les scénarios générés pour X 1 , X 2 , … , X k dressent alors un portrait fiable de leur
distribution, alors les scénarios de Y =f ( X 1 , X 2 , … , X k ) qui en découlent dressent un
portrait fiable des valeurs de Y qui pourraient réellement être observées.
Les valeurs calculées par simulation de diverses quantités d’intérêt liées à la variable Y
constituent des estimations adéquates des vraies valeurs de ces quantités.
Précision et nombre de scénarios
LIMITES = SI L’ORDI PEUT GÉNÉRER LES SCÉNARIOS EN UN TEMPS PAS TROP LONG
1.Modéliser la situation
Données du problème
Profit ¿ 50 ×V +¿ 25 X (q-V) – 30 x Q
Calcul de la fonction-objectif :
Valeur de la
fonction-objectif
Valeur de
Simulation
E (profit)
Remarque : Dans la simulation, la mesure de performance est le profit et la variable aléatoire D est une variable primaire.
La corrélation : Interprétation
Définition : Le coefficient de corrélation est une mesure de l’association linéaire entre une paire
de points de variables quantitatives de type différents.
Notation :
Cas théorique (modèle) : En présence de distributions de probabilités utilisées pour
modéliser le comportement conjoint d’une paire de variables, le coefficient de
corrélation est dénoté par la lettre grecque ρ
Cas empirique (données) : En présence de données, plus précisément d’observations
d’une paire de variables, le coefficient de corrélation est dénoté r
Sur une échelle allant de -1 à 1, le coefficient de corrélation mesure deux aspects d’une relation
linéaire :
direction
force
Direction de l’association linéaire
Corrélation
négative faible
Absence de
corrélation
Corrélation
négative parfaite
Prudence
Le coefficient de corrélation n’a de sens que si la relation sous étude est de nature autre, ce
dont on peut s’assurer en traçant un graphique. Il faut que la forme de ce nuage soit
adéquatement décrite par une ligne pour pouvoir passer à l’interprétation.
Espérance d’une combinaison linéaire
Une combinaison linéaire des variables X 1 , X 2 , … , X k , appelons-la T , est une variable de
la forme
T =¿ a 1∗X 1 +a 2∗X 2 …+a k∗X k + c
où les coefficients a 1 , a2 , … , ak sont des constantes
Afin de calculer la valeur espérée de la combinaison linéaire T des variables aléatoires
X 1 , X 2 , … , X k définie plus haut, il suffit de prendre la combinaison linéaire ayant les
mêmes coefficients constants, mais où on substitue aux variables aléatoires leurs valeurs
espérées. Mathématiquement, cela s’écrit :
E [T ]=¿ a 1 E [ X 1 ] +a 2 E [ X 2 ] …+a k E [ X k ] + c
connus
L’écart-type et la variance sont deux mesures de la dispersion d’une variable. Dans la pratique,
on préfère utiliser l’écart-type, qui est plus facile à interpréter. En effet, son unité de mesure est
la même que l’unité dans laquelle est mesurée la variable à l’étude
Calculs de variance
V (T )=¿ a 21 ¿ ¿
Attention : pas oublier d’élever les coefficients à la puissance 2
2 2
Si T =X −Y , V ( T ) =¿ 1 V ( X ¿¿ 1)+ (−1 ) V ( X 2 ) =V ( X ¿¿ 1)+ V (X 2 )¿ ¿
2 2
V (T )=¿ a 2 ( V ( X ) ) +b 2 ( V ( Y ) ) +2 ab ρ X ,Y σ X σ Y
2 2
a 1 V (X ¿¿ 1)+a 2 V (X 2 )¿
2 2 2
V (T )=¿ a 2 ( V ( X ) ) +b 2 ( V ( Y ) ) +c 2 ( V ( Z ) ) + 2(ab ρ X ,Y σ X σ Y +ac ρ X , Z σ X σ z + bc ρZ , Y σ Z σ Y )
V (T )=¿ a 21 ¿.