[PDF] [PDF] Cours de probabilités et statistiques

[PDF] degré de libertéx - Page personnelle de Benjamin Putois

28 août 2008 · Cours réalisé par Benjamin Putois 2008 1 La notion de degré de liberté « En donnant la liberté aux esclaves, nous assurons celle des 

[PDF] La liberté

Parmi les notions que la réflexion philosophique se donne pour tâche d'élaborer et notion de liberté Liberté et suis-je libre de faire ce que je veux, alors que je suis enchaîné par un cours : « Phénoménologie de l'Esprit », I, 2e degré B, § 31 à 34, lieu que, selon le déterminisme, le plus petit changement écarte de

[PDF] Cours de Statistiques inférentielles

Nous allons voir que si une variable aléatoire suit une certaine loi, alors ses réalisations (sous forme L'espérance de la loi du χ2(ν) est égale au nombre ν de degrés de liberté et sa variance est 2ν 4 très grand (n > 50) et p très petit (p < 0, 1) notions simples comme le biais et la variance et est relativement facile à 

[PDF] Cours de Statistiques niveau L1-L2 - Archive ouverte HAL

7 mai 2018 · Statistique inférentielle : elle a pour but de faire des prévisions et de prendre des décisions Prévision sur les observations futures ⇒ associer un degré de confiance Elles ont des taux de guérison plus faible que les petites tumeurs 2 Le concept de variable aléatoire formalise la notion de grandeur

[PDF] Cours de probabilités et statistiques

B 3 Fractiles de la loi du χ2 (ν = nombre de degrés de liberté) 64 Dans ce cas, il suffit de savoir calculer le cardinal des ensembles uniforme pour chacune de ces petites expériences aléatoires, on a encore la probabilité

[PDF] COURS DE MECANIQUE 2ème année - Université du Maine

afin de faciliter le suivi du cours magistral, mais ne répond pas aux normes de présentation Le degré de liberté est donc une variable qui peut prendre deux états auxquels on peut Moment d'un glisseur en un point - notion de couple

[PDF] CAPSULE 2 : Le khi2 calculé et son interprétation - Fun MOOC

Il existe une formule simple pour calculer le degré de liberté d'un tableau Il suffit pour nous de savoir qu'elle existe et que c'est avec elle que nous allons 

[PDF] Résumé du Cours de Statistique Descriptive - UniNE

15 déc 2010 · Apprendre les principales techniques de statistique descriptive univariée A partir de la plus petite valeur observée, on obtient les bornes de classes La notion de quantile d'ordre p (o`u 0 < p < 1) généralise la médiane `a q degrés de liberté est une variable de Fisher `a 1 et q degrés de liberté

[PDF] Analyse de corrélation - Université Lumière Lyon 2

L'analyse graphique est une bonne manière de comprendre les différentes à degrés de liberté infini, donc vers la loi normale plus lente et, pour les petits effectifs, la distribution de ˆr tend à être Le coefficient de Kendall repose sur la notion de paires discordantes et Décrivons le processus de formation de S :

[PDF] La boîte de vitesses

[PDF] Annexe_méthode de calcul - RT batiment

[PDF] CHAPITRE XIII : Les circuits ? courant alternatif : déphasage - IIHE

[PDF] La fonction exponentielle - Lycée d 'Adultes

[PDF] le temps de travail - CIG Versailles

[PDF] Formules de calcul des agrégats de la comptabilité nationale - 9alami

[PDF] LA METHODE DES COÛTS COMPLETS Objectif(s) : o Les coûts

[PDF] LA METHODE DES COÛTS COMPLETS Objectif(s) : o Les coûts

[PDF] CHAPITRE 6 : LES ESCALIERS

[PDF] 1 Gérer la paie (p 5)

[PDF] contrat archix

[PDF] Les Incoterms et le calcul du prix de vente export

[PDF] les conges annuels des agents territoriaux - CDG71

[PDF] puissances exercices

[PDF] Statistiques - Académie en ligne

Stage ATSM - Ao^ut 2010

Cours de probabilit

´es et statistiques

A. Perrut

contact : Anne.Perrut@univ-lyon1.fr 2

Table des matiµeres

1 Le modµele probabiliste 5

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.4 Trois autres lois discrµetes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.4.2 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4.3 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Loi d'une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.3 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.4 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.5 Fonction d'une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.3 Intervalles de con¯ance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3

4TABLE DES MATIµERES

5 Tests statistiques 47

5.1 Tests d'hypothµeses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

5.2 Test d'ajustement du chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

B Tables statistiques 61

C.1 Variable quantitative discrµete . . . . . . . . . . . . . . . . . . . . . . . . . . 65 C.2 Variable quantitative continue . . . . . . . . . . . . . . . . . . . . . . . . . . 68 C.3 Variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Chapitre 1

Le modµele probabiliste

1.1 Introduction

Exemples :

- l'enfant µa na^³tre sera une ¯lle, - Proportion :

P(A) =3

6 = 1=2. Alors

P(¯lle) = limn!+1k

n n mais cette limite a-t-elle un sens? - Opinion : pour que l'OL soit championne de France? Dans ce cas, on ne peut pas rejouer le m^eme subjectif. 5

6CHAPITRE 1. LE MODµELE PROBABILISTE

Exemples :

\Lyon ne gagne pas". chi®re pair", ieA=f2;4;6g. jcelui du second.

B: \on obtient pile au deuxiµeme lancer" est

B=f(f;p;f);(f;p;p);(p;p;f);(p;p;p)g

le nombre de \face" obtenus. Alors, =f0;1;2;3g. Le modµele est beaucoup plus simple, notations vocabulaire ensembliste vocabulaire probabiliste ensemble plein ensemble vide A sous-ensemble de !2A !appartient µaA

A½B

Ainclus dansB

AimpliqueB

A[B AouB A\B intersection deAetB AetB A cou A A\B=;

AetBdisjoints

AetBincompatibles

Exemple : soit =f0;1;2g. ConstruisonsP().

P() =n

;;f0g;f1g;f2g;f0;1g;f0;2g;f1;2g;o telle que : -P(A) =X -P() =X !2P(!) = 1

0.95 :Ava trµes probablement se produire.

4.0 : incorrect.

-2 : incorrect.

0.5 : une chance sur deux.

8CHAPITRE 1. LE MODµELE PROBABILISTE

faire quelques calculs :

1) SiAetBsont incompatibles,P(A[B) =P(A) +P(B).

2)P(Ac) = 1¡P(A).

3)P(;) = 0.

5)P(A[B) =P(A) +P(B)¡P(A\B).

2) CommeAetAcsont incompatibles,1 =P() =P(A[Ac) =P(A) +P(Ac).

3)P(;) = 1¡P(;c) = 1¡P() = 0.

P i2NA i´ =X i2NP(Ai) - axiome 3 :P() = 1

1 =P() =X

!2P(!) =X !2p=p£card()

D'oµup=P(!) =1

card()

P(A) =X

!2AP(!) =card(A) card() dire : - choisir, par

P(BjA) =P(A\B)

P(A) Utilisation 2 : QuandP(BjA)etP(A)sont faciles µa trouver, on peut obtenirP(A\B). Exemple 6Une urne contientrboules rouges etvboules vertes. On en tire deux, l'une =frouge;verteg £ frouge;verteg rouge".

P(A\B) =P(BjA)P(A) =r¡1

r+v¡1¢r r+v

P(B) =P(BjA)P(A) +P(BjAc)P(Ac)

10CHAPITRE 1. LE MODµELE PROBABILISTE

preuve : CommeA[Ac= ,P(B) =P(B\(A[Ac)) =P((B\A)[(B\Ac)). OrB\A

P(B) =P(B\A) +P(B\Ac)

On garde le m^eme formalisme.

P(B) =P(BjA)P(A) +P(BjAc)P(Ac)

r¡1 r+v¡1¢r r+v+r r+v¡1¢v r+v =r r+v (i)[i2IAi= (ii) lesAisont deux µa deux incompatibles : pour tousi6=j,Ai\Aj=;.

P(B) =X

i2IP(BjAi)P(Ai) dans l'ordre chronologique. Nous allons maintenant voir une formule µa remonter le temps...

1etP(B)>0. Alors,

P(AjB) =P(BjA)P(A)

P(BjA)P(A) +P(BjAc)P(Ac)

preuve :

P(AjB) =P(A\B)

P(B)=P(BjA)P(A)

P(B) i2I,

P(AijB) =P(BjAi)P(Ai)

P j2IP(BjAj)P(Aj) bleaux sur informatique. Les tableaux deAcomportent des fautes dans 5,2% des cas et ceux deBdans 6,7% des cas. On prend un tableau au hasard. Il comporte des fautes. T T

F=\ le tableau comporte des fautes".

P(TAjF) =P(FjTA)P(TA)

P(FjTA)P(TA) +P(FjTB)P(TB)

P(A\B) =P(A)P(B)

P(BjA) =P(B)()P(AjB) =P(A)()P(A\B) =P(A)P(B)

Proposition 14Soit =E£FoµuEest de cardinalnetFde cardinalp. Supposons que

P(!) =P((x;y)) =1

card() =1 np =PE(fxg)PF(fyg) =fP;Fg £ f1;:::;6g

12CHAPITRE 1. LE MODµELE PROBABILISTE

8!2; P(!) =1

card() = 1=12 P N³ (!1;:::;!N)´ =P(!1)¢¢¢P(!N) surN. Pourtant, le nombre de combinaisons dont la somme fait 12 est le m^eme que le nombre de combinaisons dont la somme fait 11. Alors?

1.6 Exercices

3) On tire trois cartes dans un jeu .

suppose que

P(A[B) = 7=8; P(A\B) = 1=4; P(A) = 3=8:

CalculerP(B),P(A\Bc),P(B\Ac).

ros impairs ont chacun la m^eme chance d'appara^³tre, chance qui est deux fois plus grande hasard, et l'on observe que les quatre places libres se suivent. Est-ce surprenant?

1.6. EXERCICES13

Exercice 6 {SoientM1,M2,M3trois personnes. La premiµereM1dispose d'une infor- la transmet µaM3. Malheureusement, µa chaque fois que l'information est transmise, il y a le bon message? Et siM3transmet l'information dont il dispose µa une quatriµeme personneM4, quelle est elle re»coit un vaccin? daire? Exercice 8 |Dans une usine, la machine A fabrique 60% des piµeces, dont 2% sont C? Exercice 9 |Dans une jardinerie : 25% des plantes ont moins d'un an, 60% ont de 1 µa 2 ans, 25% ont des °eurs jaunes, 60% ont des °eurs roses, 15% ont des °eurs jaunes et moins d'un an, 3% ont plus de 2 ans et n'ont ni °eurs jaunes, ni °eurs roses. 15% de celles qui ont de 1 µa 2 ans, ont des °eurs jaunes, 15% de celles qui ont de 1 µa 2 ans, n'ont ni

°eurs jaunes ni °eurs roses. On suppose que les °eurs ne peuvent pas ^etre µa la fois jaunes

et roses. On choisit une plante au hasard dans cette jardinerie.

14CHAPITRE 1. LE MODµELE PROBABILISTE

Exercice 10 |Deux chau®eurs de bus se relaient sur la m^eme ligne. Lors d'une grµeve, le premier a60%de chances de faire grµeve et le second80%. Pendant la prochaine grµeve, Exercice 11 |Une loterie comporte 500 billets dont deux seulement sont gagnants.

Chapitre 2

PPP PPF PFP FPP FFP FPF PFF FFF

valeur deX

3 2 2 2 1 1 1 0

k(valeur prise parX)

3 2 1 0

fPPPg fPPF,PFP,FPPg fPFF,FPF,FFPg fFFFg k(X=k) = 15 elle est ditecontinue(exemples : hauteur d'un arbre, distance de freinage d'une voiture souvent une formule, plut^ot qu'une liste. [X= 3] [X= 2] [X= 1] [X= 0] fPPPg fPPF,PFP,FPPg fPFF,FPF,FFPg fFFFg

1/8 3/8 3/8 1/8

F(x) =P[X·x]

Exemple :Xest le nombre de Face quand on lance trois fois une piµece. On a vu que la loi deXest P[X= 0] = 1=8; P[X= 1] =P[X= 2] = 3=8; P[X= 3] = 1=8

D'oµu,

F(x) =8

>>>>>:0six <0;

1=8si0·x <1;

4=8si1·x <2;

7=8si2·x <3;

1six¸3

1)Fest croissante,

3) lim x! ¡1F(x) = 0;limx!+1F(x) = 1

E[X] =X

kkP[X=k] oµu on somme sur toutes les valeurskque peut prendreX.

E[g(X)] =X

kg(k)P[X=k] preuve : observons queg(X) =yssiX=xavecg(x) =y. Ainsi,

P(g(X) =y) =X

x:g(x)=yP(X=x)

E(Y) =X

yyP(Y=y) =X yX x:g(x)=yg(x)P(X=x) =X xg(x)P(X=x)

Var(X) =Eh

(X¡E[X])2i =X k(k¡E[X])2P[X=k] =E[X2]¡E[X]2 k2X()jkjP(X=k)<1 sa valeur moyenneE[X]. Exemple 18: nous avons la loi du nombreXde PILE quand on lance trois fois une piµece.

E[X] =3X

k=0kP[X=k] = 3¢1 8 + 2¢3 8 + 1¢3 8 + 0¢1 8 =12 8 =3 2

Var(X) =E[X2]¡E[X]2=3X

k=0k

2P[X=k]¡E[X]2

= 3

2¢1

8 + 22¢3 8 + 12¢3 8 + 02¢1 8

¡µ3

2 2 3 4 nbr de PILE [X= 3] [X= 2] [X= 1] [X= 0]

0.125 0.375 0.375 0.125

0.2 0.6 0.1 0.1

partir de quelques observations.

P[X=i;Y=j] =P[X=i]P[Y=j]

P[(X;Y) = (i;j)] =P[X=i;Y=j].

touti2X(),

P[X=i] =X

j2Y()P[X=ijY=j]P[Y=j]

SoitZ=X+Y. Quelle est la loi deZ?

valeur que prendX, la valeur que prendYet la valeur deZ. XnY

1 2 3 4 5 6

1

2 3 4 5 6 7

2

3 4 5 6 7 8

3

4 5 6 7 8 9

4

5 6 7 8 9 10

5

6 7 8 9 10 11

6

7 8 9 10 11 12

pour tous1·i;j·6; P[X=i;Y=j] =P[X=i]P[Y=j] = 1=36

2] =P[Z= 12] = 1=36,P[Z= 3] =P[Z= 11] = 2=36,P[Z= 4] =P[Z= 10] = 3=36,

1·j·12.

P[Z=j] =6X

i=1P[Z=jjX=i]P[X=i] 1 6 6 X i=1P[X+Y=jjX=i] 1 6 6 X i=1P[Y=j¡ijX=i] 1 6 6 X i=1P[Y=j¡i] rappeler queP[Y=k] = 1=6seulement sikest dansf1;:::;6g. preuve : pour le premier point, il faut observer que X yP(X=x;Y=y) =P³ (X=x)\([y(Y=y))´ =P³ (X=x)\´ =P(X=x) et il vient

E[X+Y] =X

x;y(x+y)P(X=x;Y=y) X x;yxP(X=x;Y=y) +X x;yyP(X=x;Y=y) X xxP(X=x) +X yyP(Y=y) =E[X] +E[Y] Pour le second point, on montre tout d'abord queE(XY) =E(X)E(Y), la suite venant facilement. Ainsi,

E[XY] =X

x;yxyP(X=x;Y=y) X x;yxyP(X=x)P(Y=y) µX =E(X)E(Y)

P[Y= 1] =p; P[Y= 0] =q= 1¡p

Var(Y) =E[Y2]¡E[Y]2=E[Y]¡E[Y]2=p(1¡p).

conditions.

P(E) =q= 1¡p.

P(X=k) =µn

p k(1¡p)n¡kpour tout0·k·n oµu ¡n k¢=n! k!(n¡k)!.

P(!) =pk(1¡p)n¡k

Il en existe¡n

P(X=k) =X

!:X(!)=kP(!) = card(f!:X(!) =kg)pk(1¡p)n¡k µn p k(1¡p)n¡k np(1¡p). (preuve)quotesdbs_dbs22.pdfusesText_28