Académique Documents
Professionnel Documents
Culture Documents
Coefficient : 2
Module Biostatistique
Cours
Statistique Inférentielle
2018/2019
Objectifs du cours
La statistique inductive permet à partir d'un échantillon d'induire la loi de distribution de la population.
Elle conduit aux tests d'hypothèses= test statistique
On distingue deux approches : la paramétrique et la non paramétrique.
Univ.Cons 1
Cours Séance 1 Statistiques Inférentielle
Plan du cours
Univ.Cons 1
Cours Séance 1 Statistiques Inférentielle
Séance 1
Univ.Cons 1
Cours Séance 1 Statistiques Inférentielle
Il est toujours possible d’associer à une variable aléatoire une probabilité et définir ainsi une loi de probabilité. Il existe un certain
nombre de lois de probabilités usuelles qui permettent de modéliser des phénomènes aléatoires.
On distingue :
I. Les lois discrètes associées aux variables aléatoires discrètes
Loi uniforme
Loi de Bernoulli
Loi Binomiale
Loi de Poisson
II. Les lois continues associées aux variables aléatoires continues
Loi uniforme
Loi normal
Loi du khi-deux
Loi de Student
La notation p(X=x) signifie probabilité que la variable aléatoire X mérite x. Se note aussi p(x), voire px. Les différentes valeurs de x se
notent x1, x2,... xi, ... xn et les probabilités correspondantes p(x1), p(x2),... p(xi), ... p(xn).
Exemple 1 : La distribution des chiffres obtenus au lancer de dé suit une loi uniforme dont la loi de probabilité est la suivante :
X 1 2 3 4 5 6
p(X=xi)= 1/6 1/6 1/6 1/6 1/6 1/6
Univ.Cons 1
Cours Séance 1 Statistiques Inférentielle
B. Loi de Bernoulli B(p) :
Soit un ‘univers Ω constitué de deux éventualité S pour sucée et E pour échec, sur lequel on construit une variable aléatoire discrète,
« nombre de succès » tell que au cours d’une éprouve. SI S est réalisé, X=1 Si E est réalisé X=0. On appel variable de Bernoulli ou
variable indicatrice la variable aléatoire X telle que
X (Ω) = }0; 1}, paramètre p P(X = 1) = p, P(X = 0) = q avec q+p=1
Exemple 2 : On jette une pièce de monnaie ´équilibrée. Ω = {Pile, Face}. Soit X une variable aléatoire discrète
∀k ∈ {0, 1, 2, . . . n}, P(X = k) = Ckn pk (1 − p) n−k Avec Ckn = n!/ k!(n − k)!
Exemple 3 : On jette 10 fois de suite une pièce de monnaie ´équilibrée. Quelle est la probabilité d’avoir un total de 8 piles ? Soit X
une variable aléatoire qui associe à ces 10 lancers de pièce le nombre de pile.
X ∼ B(10, 1/2) P(X = 8) = C810 (1/2)8 (1 – 1/ 2)10−8 P(X = 8) = 0.0439
Loi de Poisson P(ɻ) : La distribution de Poisson est construite avec un seul paramètre, lambda (λ), qui est à la fois la moyenne et
la variance. Le fait qu'une variable aléatoire X suive une loi de Poisson de paramètre λ s'écrit ainsi :
Exemple 4 : A un guichet d'une banque, on sait que le nombre moyen de clients par heure Est de 12. On suppose que le nombre de
clients par heure est distribué selon une loin de Poisson.
Quelle est la probabilité pour qu'en une heure, le guichetier s'occupe de plus de 15 clients ?
Soit X ∼ P(λ ) avec λ = 12 P(X > 15) = 1 - P(X ⩽ 15) = e-121215/15 P(X > 15) = 0,1556.