Académique Documents
Professionnel Documents
Culture Documents
Anne 2009/2010
laurent.carraro@telecom-st-etienne.fr olivier.roustant@emse.fr
octobre 09
Objectifs
Acqurir les concepts lmentaires de probabilits. Prparer aux enseignements qui suivent (ex : processus alatoires). Comprendre ce quest la modlisation probabiliste. Acqurir un savoir-faire probabiliste en relation avec des applications. Acqurir un savoir-faire statistique et savoir aborder un problme simple de traitement de donnes. Savoir traiter un problme simple de rgression.
Probas-Stats 1A
octobre 09
Choix pdagogiques
Ne pas traiter les fondements des probabilits (thorie de la mesure)
120h en master 1 de maths Thorie utile seulement pour une minorit (0 5)
Probas-Stats 1A
octobre 09
Moyens pdagogiques
Modalits :
Cours : 14 sances (21h) TD : 13 sances (19,5) TP : 2 sances (3h) APP : 3 sances (4,5h)
Outils logiciels :
Excel (utilis en entreprise) R (logiciel libre ddi aux statistiques, utilisable en entreprise)
Portail
Probas-Stats 1A 4
octobre 09
Evaluation
Compte-rendus APP QCM Examen Pondrations prciser
Probas-Stats 1A
octobre 09
Plan du cours
Le modle probabiliste. Probabilit conditionnelle. Indpendance. Variable alatoire. Loi. Fonction de rpartition. Densit. Esprance. Variance. Covariance. Outils dexploration de donnes : histogramme, boxplot, qqplot Loi des grands nombres, simulation et mthode de Monte Carlo. Thorme de la limite centre (TLC). Vecteurs alatoires, loi, indpendance. Vecteurs gaussiens. Estimation : biais, risque, mthodes destimation (MC, EMV) Intervalles de confiance Tests statistiques. Vocabulaire. Mthodologie. Notion de pvaleur Rgression linaire : modle probabiliste, estimation, analyse de variance, validation, prdiction
Probas-Stats 1A 6
octobre 09
Droulement 1/2
CM 1 - Dfinition dune probabilit 2 - Modle probabiliste 3 - Variables alatoires, loi, f.r., densit 4 - Simulation 5 - Exploration de donnes 6 - Esprance, indpendance 7 - Variance, covariance, LGN 8 - Vecteurs alatoires, cas gaussien TD/TP Premiers modles Propagation dincertitudes TP : Initiation R Loi normale et drives Calculs desprances APP estimation dune proportion Probabilits conditionnelles, loi exponentielle, Bayes Calculs sur des vect.a. Rendu APP + QCM + sommes de v.a. indpendantes
Probas-Stats 1A
TP : APP rgression
octobre 09
Droulement 2/2
CM 9 - Monte Carlo, TLC 10 - Rgression linaire, vision gomtrique 11 - Estimation et rgression 12 - Tests 13 - Rgression et tests, ANOVA 14 - Validation en rgression TD/TP Vecteurs gaussiens Notions de fiabilit, comparaison de systmes Estimation ponctuelle Intervalles de confiance, tests Tests non paramtriques Rendu APP + QCM + retour Etude de cas en groupe Rvisions
Probas-Stats 1A
Cours r1
Vers la dfinition dune probabilit
octobre 09
Exemple 1
Test de rsistance dun isolant de bougie par claquage partir dun chantillon de taille 60
R : rigidit dilectrique
P(R < 11) ? P(R < 11.5) ?
octobre 09
On obtient :
P(R < 11) = 1/60 1.66% P(R < 11.5) = 3/60 = 5%
Probas-Stats 1A
11
octobre 09
On obtient :
P(R < 11) 2.06 % P(R < 11.5) 3.56 %
Probas-Stats 1A
12
octobre 09
Exemple 2
consommation lectrique hebdomadaire en France du 1/01/1996 au 26/12/99
11000
9650
9500
8000
6500
5000 janv-96
janv-97
janv-98
janv-99
janv-00
jour
Probas-Stats 1A
13
octobre 09
20,00
temprature en C
10,00
0,00
-10,00 janv-96
janv-97
janv-98
janv-99
janv-00
jour
Probas-Stats 1A
14
Relation temprature/consommation
consommation lectrique hebdomadaire en France en fonction de la temprature hebdomadaire Paris du 1/01/1996 au 26/12/99
11000
octobre 09
9500
8000
6500
5000 -10 -5 0 5 10 15 20 25 30
temprature en C
Probas-Stats 1A
15
octobre 09
Paradoxe de J. Bertrand
Soit un disque de rayon R. On tire une corde au hasard. Quelle est la probabilit que la corde soit plus longue que le ct du triangle quilatral inscrit ?
R R/2
Probas-Stats 1A
16
octobre 09
Rponse
On choisit le milieu de la corde au hasard dans le disque
R R/2
p = 1/4
Probas-Stats 1A
17
octobre 09
p = 1/2
Probas-Stats 1A
18
octobre 09
p = 1/3
Probas-Stats 1A
19
octobre 09
Quelle solution ?
Rponse : prciser les hypothses
Cas nr1 : simuler uniformment un point dans le disque Cas nr2 : simuler uniformment langle et le rayon Cas nr3 : simuler uniformment 1 point sur le cercle
Probas-Stats 1A
20
octobre 09
A Morale du paradoxe de Bertrand: prciser les hypothses ! Question : par analogie, si nous devions calculer la masse de A, de quoi aurions-nous besoin ?
Probas-Stats 1A 21
octobre 09
La densit
Rponse : de la densit de masse du disque Par exemple, f(x,y) = exp(-r2), avec r2=x2+y2, pour 0r1 Questions : Comment sinterprte cette densit ? Comment lutilise-t-on pour calculer la masse ?
Probas-Stats 1A
22
octobre 09
La probabilit
Raisonnons maintenant en probabilit Hypothse : on se donne la densit de probabilit f(x,y) proportionnel exp(-r2), avec r2=x2+y2, pour 0r1 Questions : Comment trouver la constante de proportionnalit ? Comment scrit la probabilit cherche ? Avec la vision mesure, quelles sont les proprits minimales que lon est en droit dexiger dune probabilit ?
Probas-Stats 1A
23
octobre 09
Dfinition (incomplte) dune mesure On se donne un ensemble ;, support des valeurs possibles. Une mesure Q est une application sur (;) vrifiant : Q()=0 Q(;)<+g Pour toute squence dlments de (;) , A1, , An, alors si les Ak sont deux deux disjoints, Q(A1An) = Q(A1)++ Q(An) (additivit) Question : Que faut-il rajouter pour obtenir une probabilit ?
Probas-Stats 1A 24
octobre 09
Modle probabiliste
Modle probabiliste La dfinition dune probabilit dpend donc de ;. Lorsque Q est une probabilit sur (;), le triplet (; ,(;), Q) dfinit un modle probabiliste Questions : Quelles modles probabilistes connaissez-vous ? Les probabilits correspondantes sont-elles des mesures ? Sont-elles toujours dfinies partir dune densit ?
Probas-Stats 1A
25
octobre 09
Probas-Stats 1A
26