Probabilits et Statistiques

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)

 Un enseignement diffrent de celui que vous avez connu

 Moins de dmonstrations, plus dapplications  Apprentissage de savoir-faire

 Apprentissage Par Problmes (APP)

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) ?

Rigidit dilectrique (V/cm)

Probas-Stats 1A 10

octobre 09

1er calcul, dfinition frquentiste

P(R < x) = # {valeurs observes < x} / # {valeurs totales}

On obtient :
P(R < 11) = 1/60 1.66% P(R < 11.5) = 3/60 = 5%

Remarques : P(R < 10) = 1/60

Probas-Stats 1A

11

octobre 09

2me calcul, avec une loi de probabilit

Loi de Weibull : P(R < x) = 1 - exp(-(x/P)E)

On obtient :
P(R < 11) 2.06 % P(R < 11.5) 3.56 %

Remarque : P(R < 9.5) 0.33%

Probas-Stats 1A

12

octobre 09

Exemple 2
consommation lectrique hebdomadaire en France du 1/01/1996 au 26/12/99
11000
9650

nergie consomme en GWh

9500

8000

6500

5000 janv-96

janv-97

janv-98

janv-99

janv-00

jour

Probas-Stats 1A

13

octobre 09

Influence dautres variables ?

tempratures hebdomadaires Paris du 1/01/1996 au 26/12/99
30,00

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

nergie consomme en GWh

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

Deuxime rponse :-)

On fait tourner la figure et on choisit le milieu de la corde sur le segment [0,R]
R R/2

p = 1/2

Probas-Stats 1A

18

octobre 09

Troisime rponse :-(

On fixe un point sur le cercle, et on choisit lautre au hasard
R R/2

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

Illustration : cas nr1 cas nr2

QuickTime et un dcompresseur TIFF (non compress) sont requis pour visionner cette image.

Probas-Stats 1A

20

octobre 09

La vision mesure (daire)

Considrons une erreur de mesure I sur ;=D(0,1) de R2 On donne A ;. Comment calculer la probabilit que I soit dans A ?
0 1

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

Dfinition provisoire dune probabilit

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

La reine des probabilits

La densit de probabilit prcdente est voisine de celle de la loi normale standard (ou loi de LAPLACE-GAUSS) En dimension 1, son expression est donne par : f(x) = 1/(2T) * exp(-x2/2) Cest la fameuse courbe en cloche Elle est trs souvent utilise pour modliser des erreurs, cause dun rsultat thorique fondamental : le Thorme de la Limite Centre

Probas-Stats 1A

26