Cours de probabilités et statistiques
Cours de probabilités et statistiques C Statistique descriptive univariée ... événement est la somme des probabilités de chacun des événements ...
Probabilités et Statistique
Probabilités et Statistique. Y. Velenik. — Version préliminaire du 26 octobre 2016 —. Dernière version téléchargeable à l'adresse.
Probabilités et statistique pour lingénieur
10 janv. 2018 année `a l'ENSTA : “Introduction aux probabilités et `a la statistique”. — l'équipe enseignante du cours de statistique de seconde année ...
Introduction au calcul des probabilités et `a la statistique
En écrivant ce livre nous avons voulu présenter les outils élémentaires des probabilités et de la statistique mathématique avec
Probabilités & Statistiques
Probabilités & Statistiques. Résumé de cours La probabilité P donne pour chaque événement A
Exercices Corrigés Statistique et Probabilités
Examen Statistique et Probabilités (1) . Dresser le tableau statistique de la distribution de la variable X (effectifs cumulés.
TABLE DES MATIERES
Mathématiques – Probabilités et statistique http://eduscol.education.fr/prog. Introduction. Le document ressource pour la partie du programme de la classe
PROBABILITÉS ET STATISTIQUE INFÉRENTIELLE
Probabilités et Statistique inférentielle. Semestre 3. Objectifs du module. Savoir faire des calculs de probabilité d'intervalle de confiance et de test
Probabilités et Statistique
Probabilités et Statistique. Y. Velenik. — Version préliminaire du 20 mars 2017 —. Dernière version téléchargeable à l'adresse.
Probabilités et Statistiques Licence de Mathématiques (Parcours
des probabilités et au raisonnement statistique. S'agissant d'un cours ciblé sur le parcours Math-Info l'accent sera mis en priorité sur tout ce qui rel`
![Probabilités et Statistiques Licence de Mathématiques (Parcours Probabilités et Statistiques Licence de Mathématiques (Parcours](https://pdfprof.com/Listes/16/22310-16Proba6031.pdf.pdf.jpg)
Probabilites et Statistiques
Licence de Mathematiques (Parcours Math-Info),
UE MA6031
Alain Yger
Institut de Math
ematiques, Universite Bordeaux 1, Talence 33405,France
E-mail address:Alain.Yger@math.u-bordeaux1.fr
Version du 26 novembre 2012.
R esume.L'objectif du cours est une introduction≪pratique≫a la theorie des probabilites et au raisonnement statistique. S'agissant d'un cours cible sur le parcours Math-Info, l'accent sera mis en priorite sur tout ce qui releve plut^ot des mathematiques ≪discretes≫. Lois normales, vecteurs gaussiens, statistique gaussienne seront aussi bien s^ur envisages. Une reference sur le- quel ce cours s'appuiera (souvent de maniere tres ≪light≫) sera les cha- pitres 11 (Probabilites) et 12 (Statistique descriptive, statistique inferentielle) de [MathAp], voire aussi les chapitres 7 (codage), 8 (Cryptographie), 10 (Si- gnal) de ce m^eme ouvrage pour certaines applications en relation avec d'autres champs. Ce cours sera illustre avec l'utilisation de logiciels (MATLAB, avec son clone libreScilab, disponible surhttp://www.scilab.org/fr), permettant en particulier tous deux la simulation de lois probabilistes. Des logiciels plus specialement dedies au raisonnement statistique (comme le logiciel libreR, http://www.r-project.org/) seront egalement mis a contribution dans la se- conde partie du cours (dediee au raisonnement statistique, ou interviennent les lois de probabilite, ≪en famille≫cette fois). Sont fournies en annexes les an- nales 2011-2012 : texte et corrige du DS (1h30), textes et corriges des examens de session 1 et de session 2 (3h00).Table des matieres
Chapitre 1. Univers des possibles, probabilites, independance et conditionnement11.1. En guise d'introduction : la notion d'
≪epreuve≫ou experience11.2. Mesure de probabilite sur un ensemble ni3
1.3. Mesure de probabilite sur un ensemble denombrable9
1.4. Tribus et probabilites sur un ensemble quelconque13
1.5. Conditionnement et independance21
Chapitre 2. Variables aleatoires et theoremes
≪limite≫312.1. Notion de VAR, esperance, variance, moments31
2.2. Le Theoreme Limite
≪Central≫(TLC)452.3. Les lois des grands nombres (LGNf) et (LGNF)48
Chapitre 3. Initiation au raisonnement statistique513.1. Indicateurs numeriques d'une serie de donnees statistiques51
3.2. La notion d'estimateur; des probabilites a la statistique53
3.3. Estimation par intervalle; gaussiennes et test de Student54
Annexe A. Annales 2011-2012, Texte et corrige du DS61 Annexe B. Annales 2011-2012, Texte et corrige de l'examen de session 1 67 Annexe C. Annales 2011-2012, Texte et corrige de l'examen de session 2 75Bibliographie79
Index81
vCHAPITRE 1
Univers des possibles, probabilites, independance
et conditionnement1.1. En guise d'introduction : la notion d'
≪epreuve≫ou experience Le lancer d'un de a six faces constitue un exemple de ce que l'on appelle une epreuve(ou uneexperience), l'ensemblef1;:::;6gconstituant la liste des resultats possibles pour cette experience. Si le de n'est pas pipe, tout non-mathematicien intuitera qu'il a une chance sur six de realiser ≪six≫lors d'une telle epreuve. Il argumentera pour cela empiriquement en vous faisant constater que, s'il itereMfois cette epreuve (avecMtres grand), le quotientM(6)=M(ouM(6) designe le nombre de≪six≫obtenus lors de la serie de Mcoups) se met a tendre asymptotiquement vers 1=6 lorsqueMtend vers l'inni. Pareille argumentation releve, on le verra plus loin dans ce cours, du point de vue de lastatistique empirique. Formulons mathematiquement le probleme en considerant l'ensemble Ω de tous les resultats possibles de l'epreuve, ici Ω =f1;:::;6g: Le resultat de l'epreuve estaleatoire. L'epreuve consiste en effet a choisir≪au hasard ≫un element dans l'ensemble Ω, espace que l'on qualie ici, on le verra dans la section suivante, d'univers des possibles. Si le resultat aleatoire de l'epreuve releve du hasard, ce hasard n'en est pas moins ≪organise≫: se donner laloi probabiliste a laquelle obeit cette epreuve aleatoire materialisee par le lancer du de, c'est-a-dire la ≪loi≫qui≪pilote≫ici le hasard, consiste ici a se donner une collection de 6 nombres reels positifspj;j= 1;:::;6 de somme 1. La quantitepjrepresente ce que notre non-mathematicien interpreterait commele nombre de chances de realiser le resultatjen lancant le de, ou encore laprobabilite de l'evenement :≪le resultat de l'epreuve est un ≪six≫ ≫. Dans le cas de des non pipes, il est naturel de travailler avec le modele mathematique : p j=1 6 ; j= 1;:::6: Ce modele est un cas particulier du cas ou Ω est un ensemble ni et ou chaque singleton (ou encore evenement elementaire)fagde Ω est≪charge≫avec la masseP(fag) =1
cardΩ auquel cas, une partieAde Ω (que l'on appelle unevenement) est≪chargee≫avec la ≪masse≫(ou le≪poids≫)P(A) =cardA
cardΩ 121. UNIVERS DES POSSIBLES, PROBABILIT
ES, INDEPENDANCE ET CONDITIONNEMENTM
NM NM ND' d(a) (b) (c) D' QQ(0,0)
Figure 1.1.Le paradoxe de Bertrand.
cette distribution de probabilite est ditedistribution uniformesur Ω. Dans le cas de des pipes, on doit par contre envisager d'autres modeles, comme par exemple p1=p2=p3=p4=1
12 ; p5=p6=1 3 L'univers des possibles n'est pas toujours ni, comme le montre l'exemplegeo- metriquesuivant : l'epreuve consiste a prendre au hasard deux points distincts sur un cercle donne du planR2de centre l'origine et de rayon 1 et a tracer la corde qui les joint (comme sur trois schemas presentes sur la gure 1.1). On peut poser la question naive suivante : les choix de points etant equiprobables sur (on va preciser ceci ulterieurement), quel≪nombre de chances≫ou encore probabilite≫a-t'on que la longueur de la corde joignant deux pointsMetN de soit superieure a celle (icip3, car le cercle est de rayon 1) du cote d'un
triangle equilateral inscrit dans ? (voir la gure 1.1, schema de gauche). Notre non-specialiste pourra repondre en disant qu'il y a une chance sur trois que ce qu'il souhaite se realise lorsqu'il choisit les deux points au hasard (et independamment l'un de l'autre) : son raisonnement heuristique s'appuie sur le fait que, des que l'un des points est xe, le second doit ^etre dans un arc de cercle de longueur=3. Ce calcul empirique de probabilite est fonde sur le fait que l'univers des possibles Ω choisi ici est le produit Ω = du cercle par lui-m^eme, la probabilite d'un produit d'arcs de cerclesIJetant longueur(I) longueur(J) Ceci est cependant ambigu, comme le faisait remarquer le mathematicien Joseph Bertrand en 1899. On peut en effet aussi reperer la corde par son milieuQet considerer comme ensemble d'evenements Ω l'ensemble des positions possibles de ce milieu apres trace de la corde, soit le disqueDdont est le bord; cette fois, l'univers des possibles n'est plus l'ensemble des paires de points de , mais l'ensemble des points du disque fermeD(0;1) (ces points reperent le milieu de la corde, voir la gure1.1, schema central); avec ce choix, le fait que la corde ait une longueur superieure a
celle du triangle equilateral inscrit se rephrase en ≪le milieu de la corde est dans le disqueD′de rayon 1=2 et de centre l'origine≫; notre non-specialiste pourrait donc tout autant affirmer qu'il y a une chance sur 4 (puisque 1=4 represente le quotient de la surface deD′par la surface deD(0;1)) que son souhait se realise. On pourrait aussi reperer la corde (encore une fois apres l'avoir trace) par sa distanced2[0;1] a l'origine (voir la gure 1.1, schema de droite) et, en prenant comme univers des1.2. MESURE DE PROBABILIT
E SUR UN ENSEMBLE FINI3
possibles [0;1], dire que l'evenement que l'on cherche est celui qui correspond au fait que cette distance soit inferieure ou egale a 1=2, soit l'intervalle [0;1=2], qui est de longueur 1=2; comme la longueur de [0;1] est normalisee egale a 1, la probabilite de notre evenement suivant cette troisieme interpretation vaudrait 1=2. Cet exemple (paradoxal) illustre le fait que la mise sous forme mathematique d'un probleme de nature probabiliste exige au prealable la denition rigoureuse de trois choses : { un ≪universΩdes possibles (les points de Ω peuvent par exemple per- mettre de reperer les resultats d'une epreuve, on les appelle pour cela ≪rea- lisations ≫de l'epreuve); c'est l'ubiquite de cet univers des possibles qui explique le paradoxe de Bertrand; { une famille de sous-ensembles de Ω candidats a pouvoir ^etremesures (la con- trainte etant que le mathematicien n'a que l'acces au denombrable pour en- visager le calcul de mesures); ce seront les ≪evenements aleatoires≫; { une regle enn pour ≪mesurer≫ chacun de ces evenements aleatoires, avec la convention que la mesure de l'univers des possibles Ω vaille 1; si Ω repre- sente (comme c'est souvent le cas) l'ensemble des resultats d'une certaine epreuve, alors la ≪mesure≫deAsera interpretee par notre non-specialiste comme le ≪pourcentage de chances≫qu'a le resultat de l'epreuve de≪tom- ber ≫dans l'evenement aleatoireA; on l'appellera (dans le contexte ou se deroule l'epreuve) ≪probabilitedeA≫. La regle pour mesurer les evenements aleatoires s'appelle ≪loi de probabilite≫regissant l'epreuve. Nous allons dans la suite de ce chapitre denir proprement les notions mathema- tiques consolidant ces idees intuitives. Le modele mathematique rigoureux (que nous ne ferons qu'esquisser ici) est du au mathematicien sovietique Andrei Kolmogorov (1903-1997).1.2. Mesure de probabilite sur un ensemble ni
1.2.1. Generalites.Se donner uneprobabilitesur un ensemble ni Ω (ou
encore unemesure de probabilitesur cet ensemble), c'est par denition affecter a chacun des sous-ensemblesAde Ω un nombre reelP(A)2[0;1], ce en respectant les clauses suivantes :8A;B2P(Ω); A\B=∅=)P(A[B) =P(A) +P(B)
P(Ω) = 1:(1.1)
Une fois ces deux regles posees, on dispose des regles de calcul suivantes :P(∅) = 0
P(ΩnA) = 1P(A)8A2P(Ω)
P(A[B) =z
P(A) +P(B)P(A\B)8A;B2P(Ω)
P(A[B[C) =z
P(A) +P(B) +P(C)(z
P(B\C) +P(C\A) +P(A\B))
+P(A\B\C)8A;B;C2P(Ω)etc:(1.2)41. UNIVERS DES POSSIBLES, PROBABILIT
ES, INDEPENDANCE ET CONDITIONNEMENT
On peut d'ailleurs etablir en exercice la formule generale, ditede Poincare:P(A1[ [AN) =
N∑
j=1(1)j1∑1j1< Remarque1.1.La donnee d'une probabilite sur un ensemble ni aNelements (que l'on notex1;:::;xN, par consequent Ω =fx1;:::;xNg) equivaut a celle d'un vecteur ligne [p1;:::;pN] d'entrees toutes dans [0;1] et veriant de plus∑N j=1pj= 1. On pose alors, pour chaquej= 1;:::;N,P(fxjg) =pjet, pour tout sous-ensembleA=fxj1;:::;xjkgde Ω (j1;:::;jketantknumeros distincts dansf1;:::;Ng), P(A) =P(fxj1;:::;xjkg)=k∑
l=1P(fxjlg) =k∑ l=1p jl: D efinition1.1.L'ensemble ni Ω est appeleunivers des possibles. Leselements x 1,...,xNsont alors interpretes comme les resultats d'une epreuve. Toute partieAde
Ω est appeleeevenement aleatoire(l'evenement etant :≪le resultat de l'epreuve ap- partient aA≫). Les singletonsfxjg,j= 1;:::;N, sont appelesevenements aleatoires elementaires. Se donner uneprobabilitesur un ensemble ni Ω de cardinalN2Nrevient a xer la regle conditionnant l'epreuve dont Ω recense toutes les realisations possibles. L'applicationA2P(Ω)7!P(A) (ou encore, ce qui revient au m^eme ici, la donnee du vecteur ligne [p1;:::;pN],pj2[0;1],∑ jpj= 1) est diteloi de probabilitede l'epreuve. Exemple1.1 (l'exemple du lancer de de pipe ou non,cf.l'introduction de cette section).Supposons que l'experience consiste en le jet (une fois) d'un de a six faces. L'univers des possibles associe estf1;:::;6g. Dire que le de n'est pas pipe revient a dire que tous les resultats de l'experience sont affectes du m^eme ≪poids≫, c'est-a-dire que la probabilitePconditionnant l'experience est la probabilite dite uniforme, ou tous les evenements elementairesfjg,j= 1;:::;N, sont affectes du m^eme poidspj=P(fjg) = 1=6. Les affecter de poidspjnon tous egaux a 1=6 revient a dire que l'experience est faite avec un de pipe (ou sous des conditions qui nous ramenent a pareille situation, ce qui revient au nal au m^eme). 1.2.2. La loi uniforme discreteU(N).La loi uniforme sur un ensemble Ω
de cardinalNest celle ou le vecteur ligne [p1;:::;pN] est le vecteur [1=N;:::;1=N]. Pour tout sous-ensembleAde Ω, on a doncP(A) = 1=N. La simulation sous un logiciel de calcul scientique telMATLABse faitviala routinerand: la commande >> f=ceil(N.*rand(M,1)); permet de simulerMfois l'epreuve consistant a choisir un entier entre 1 etN, tous les choix etant equiprobables,i.e.affectes du poids 1=N. SousScilab, la routine correspondante est : function [f]= RndInt (1,M,1,N) 1.2. MESURE DE PROBABILIT
E SUR UN ENSEMBLE FINI51020304050607080901000
50
100
150
Figure 1.2.Histogramme deM= 10000 realisations d'une epreuve suivant une loi uniformeU(100). Il faut noter que la generation aleatoire d'entiers (entre 1 etN) suivant une loi uni- forme passe par l'etape consistant a choisir un ≪reel≫(exprime en virgule ottante)quotesdbs_dbs29.pdfusesText_35
P(A) =P(fxj1;:::;xjkg)=k∑
l=1P(fxjlg) =k∑ l=1p jl: D efinition1.1.L'ensemble ni Ω est appeleunivers des possibles. Leselements x1,...,xNsont alors interpretes comme les resultats d'une epreuve. Toute partieAde
Ω est appeleeevenement aleatoire(l'evenement etant :≪le resultat de l'epreuve ap- partient aA≫). Les singletonsfxjg,j= 1;:::;N, sont appelesevenements aleatoires elementaires. Se donner uneprobabilitesur un ensemble ni Ω de cardinalN2Nrevient a xer la regle conditionnant l'epreuve dont Ω recense toutes les realisations possibles. L'applicationA2P(Ω)7!P(A) (ou encore, ce qui revient au m^eme ici, la donnee du vecteur ligne [p1;:::;pN],pj2[0;1],∑ jpj= 1) est diteloi de probabilitede l'epreuve. Exemple1.1 (l'exemple du lancer de de pipe ou non,cf.l'introduction de cette section).Supposons que l'experience consiste en le jet (une fois) d'un de a six faces. L'univers des possibles associe estf1;:::;6g. Dire que le de n'est pas pipe revient a dire que tous les resultats de l'experience sont affectes du m^eme ≪poids≫, c'est-a-dire que la probabilitePconditionnant l'experience est la probabilite dite uniforme, ou tous les evenements elementairesfjg,j= 1;:::;N, sont affectes du m^eme poidspj=P(fjg) = 1=6. Les affecter de poidspjnon tous egaux a 1=6 revient a dire que l'experience est faite avec un de pipe (ou sous des conditions qui nous ramenent a pareille situation, ce qui revient au nal au m^eme).1.2.2. La loi uniforme discreteU(N).La loi uniforme sur un ensemble Ω
de cardinalNest celle ou le vecteur ligne [p1;:::;pN] est le vecteur [1=N;:::;1=N]. Pour tout sous-ensembleAde Ω, on a doncP(A) = 1=N. La simulation sous un logiciel de calcul scientique telMATLABse faitviala routinerand: la commande >> f=ceil(N.*rand(M,1)); permet de simulerMfois l'epreuve consistant a choisir un entier entre 1 etN, tous les choix etant equiprobables,i.e.affectes du poids 1=N. SousScilab, la routine correspondante est : function [f]= RndInt (1,M,1,N)1.2. MESURE DE PROBABILIT
E SUR UN ENSEMBLE FINI51020304050607080901000
50100
150
Figure 1.2.Histogramme deM= 10000 realisations d'une epreuve suivant une loi uniformeU(100). Il faut noter que la generation aleatoire d'entiers (entre 1 etN) suivant une loi uni- forme passe par l'etape consistant a choisir un ≪reel≫(exprime en virgule ottante)quotesdbs_dbs29.pdfusesText_35
[PDF] Statistique spatiale
[PDF] Statistiques : moyenne, médiane et étendue - KeepSchool
[PDF] Première S - Statistiques descriptives - Variance et écart - Parfenoff
[PDF] Second degré, cours, première STI2D - MathsFG - Free
[PDF] cours de premiere sti2d - Les fonctions : généralités
[PDF] LISTE DES LIVRES Classe de Terminale STI2D
[PDF] Cours STMS - SBSSA - Rouen
[PDF] Cours stratégie d 'entreprise - f-staticcom
[PDF] Définir une stratégie de communication Télécharger le pdf
[PDF] La langue française, de A ? Z - Direction de la Langue Française
[PDF] Première ES Cours suites numériques 1 I Généralités sur les suites
[PDF] Cours de Terminale STG
[PDF] Superviseur en HSE - Technoformat
[PDF] L 'immigration et la société française - Lycée d 'Adultes