Les caractéristiques de dispersion Thème 3 Hubert LASSERRE Les mesures de dispersion • Etendue • Ecart absolu moyen • Intervalles entre quartiles, déciles, centiles • Diagramme en boites (boite à moustaches) ou à pattes • Variance • Ecart type • Coefficient de variation Objectifs • Pour mesurer la dispersion ou la variabilité des observations on utilise le plus souvent la variance et l'écart type. • D'autres caractéristiques de dispersion dont certaines ont l'avantage d'avoir une signification très concrète sont présentées ici. • Citons par exemple l'intervalle entre les quantiles proposé par le savant belge Adolphe Quételet en 1846. L’étendue • L'étendue est la différence entre le plus grand et le plus petit des nombres x1, x2, . . . , xi, . . . ,xn. • Cette caractéristique présente l'inconvénient de ne tenir compte que des valeurs extrêmes qui sont parfois accidentelles ou exceptionnelles. L’étendue Exemple • Durant le dernier été la température maximale a été de 39 degrés Celsius et la température minimale de 7 degrés Celsius, l'étendue est de 32 degrés. • Cette caractéristique ne donne aucune indication sur le groupement plus ou moins important des températures autour d'une valeur centrale. L’écart absolu moyen • L'écart absolu moyen de n nombres x1,x2,...,xi,...,xn autour d'un nombre a est défini par : • Ea = 1/n [(x1 – a) + (x2 – a) +... + (xi – a) +... + (xn – a)] • xi – a représente la valeur absolue de xi - a. L’écart absolu moyen • On prend généralement pour a, la moyenne arithmétique x ou la médiane Me. • L'écart absolu moyen est minimal pour a = médiane. • Quand on ne précise pas : x = 1. Ainsi : • E = 1/n . Ʃ xi – x ou E = 1/n . Ʃni xi – x = Ʃ fi xi – x (i = 1,n) Intervalle entre quartiles, déciles, centiles • L'intervalle entre le troisième et le premier quartile soit Q3 – Q1 est un indicateur de dispersion autour de la médiane Me. 25 % 25 % Q1 25 % Me 25 % Q3 Intervalle entre quartiles, déciles, centiles • En effet, cet indicateur Q3 - -Q1, correspond à un intervalle qui regroupe 50 % des observations autour de la médiane. • On peut aussi utiliser (Q3 - Q1)/2 (intervalle semi-interquartile). • L'intervalle entre le neuvième et le premier décile D9 – D1 est aussi un excellent indicateur de dispersion, sa signification est très concrète puisqu'il correspond à un intervalle qui regroupe 80 % des observations autour de la médiane. Intervalle entre quartiles, déciles, centiles • L'intervalle entre deux centiles peut également être utilisé pour mesurer une dispersion des observations. • Par exemple, l'intervalle entre le quatrevingt-dix-neuvième et le premier centile contient 98 % des observations. 40 % 10 % D1 40 % Me 10 % D3 Diagramme en boites (boites à moustache) ou à pattes • La boîte à pattes (box-plot en anglais) fournit d'un seul coup d'oeil des informations d'une distribution concernant la tendance centrale, l'asymétrie, la dispersion. • Cette représentation a été proposée par J.W. Tukey (USA) en 1977. Diagramme en boites (boites à moustache) ou à pattes min max Q1 me Q3 • Au lieu de mettre les quartiles, on peut mettre les déciles. • L'axe peut être porté verticalement ou horizontalement. Diagramme en boites (boites à moustache) ou à pattes • Le diagramme se construit de la façon suivante : – les valeurs de la variable sont repérées sur un axe ; – sur cet axe, on reporte le minimum (min) et le maximum (max) des observations ainsi que la médiane (Me), le premier quartile (Q1), le troisième quartile (Q3). • Le rectangle construit parallèlement à l'axe entre le 1er et le 3ème quartile est « la boîte ». • Cette visualisation (centre, dispersion, asymétrie) est très utile pour comparer des séries statistiques. Précision des unités de mesure • Les indicateurs de dispersion présentés sont des nombres exprimés dans les mêmes unités que les nombres xi. Précision des unités de mesure • Si l'on veut comparer la dispersion de plusieurs séries exprimées dans des unités différentes ou à des périodes différentes, au lieu de Q3 – Q1 on peut prendre (Q3 – Q1)/Me, et au lieu de D9 – D1 on peut prendre (D9 – D1)/Me. • Ces caractéristiques sont sans dimension, c'est-à-dire indépendantes des unités de mesure. L’utilisation de l’écart type est préférée à l’écart absolu moyen • L'utilisation de l'écart absolu est compliquée à utiliser d'un point algébrique car : xi – x = xi – x si xi > x et : xi – x = - (xi – x) si xi < x • L'écart absolu moyen se prête mal aux opérations de dérivation. • Pour cette raison il est préférable d'utiliser plutôt l'écart type σ ou la variance. Propriétés souhaitables des indicateurs de dispersion • Le statisticien Yule en 1945 a défini les propriétés souhaitables pour une caractéristique de valeur centrale ou de dispersion : – être définie de façon objective en ce sens que deux personnes différentes aboutissent au même résultat, – dépendre de toutes les observations, – avoir une signification concrète. Par exemple pour mesurer la dispersion, l'écart entre le neuvième décile et le premier décile qui contient 80 % des observations a une signification plus concrète pour un non-spécialiste que l'écart type, Propriétés souhaitables des indicateurs de dispersion – être simple à calculer (les moyens de calculs modernes permettent de s'affranchir de cette propriété), – être peu sensible aux fluctuations d'échantillonnage (les caractéristiques d'une population ne sont souvent connues que de façon approximative à partir d'un échantillon issu de cette population, les fluctuations d'échantillonnage sont faibles si les caractéristiques obtenues avec d'autres échantillons varient peu). Objectifs : variance et écart type • Résumer une distribution statistique concernant un caractère quantitatif observé sur n individus par une seule caractéristique telle que la moyenne ou la médiane est insuffisant. • La moyenne ou la médiane représentent une valeur centrale de la distribution. Objectifs : variance et écart type • La statistique commence précisément là où il y a variabilité ; il faut donc définir au minimum une valeur centrale et une mesure de dispersion autour de cette valeur centrale. • La variance est la caractéristique la plus utilisée pour mesurer la dispersion ou l'étalement des données autour de la moyenne. L'écart type est la racine carrée de la variance. Cette notion de variance est apparue avec la théorie des moindres carrés. Définition de la variance et de l’écart type • La variance de n nombres x1, x2, …, xn, est définie par : • V(x) = 1/n . [(x1 – x)² + (x2 – x)² + … + (xi – x)² + … + (xn – x)²] = 1/n . Ʃ(xi – x)² (i = 1, n) • • Si plusieurs valeurs sont égales et que la valeur de xi est observée ni fois avec : Ʃ ni = n, fi = ni / n Définition de la variance et de l’écart type • La formule de la variance devient : • V(x) = 1/n . Ʃ ni (xi – x)² = Ʃ fi (xi – x)² • L'écart type, noté σ ou σx est la racine carrée de la variance (Standard deviation en anglais). V(x) = σx² • Soit : σx = √ 1/n Ʃ(xi – x)² Formule développée de la variance • V(x) = 1/n . Ʃ (xi – x)² = 1/n . Ʃ (xi² – 2xix + x²) = 1/n [(x1²-2x1x+x²)+[(x2²-2x2x+x²)+…] = 1/n . Ʃxi² - 2x Ʃxi/n + 1/n . nx² = 1/n . Ʃxi² - x² • V(x) = x² - x² « moyenne des carrés moins carré de la moyenne » Formule développée de la variance • La formule avec les pondérations est : V(x) = 1/n . Ʃ ni.xi² - x² = Ʃfixi² - x² La variance augmente avec la dispersion • La variance augmente lorsque les données se dispersent davantage. • C'est une mesure de la dispersion qui permet de faire des comparaisons entre diverses populations ou échantillons. La variance augmente avec la dispersion • Considérons les deux distributions concernant la distribution du même caractère dans deux populations : – la ième observation de la distribution 1 est notée x1i – la ième observation de la distribution 2 est notée x2i • Supposons que les deux distributions ci-après et concernant le même caractère aient la même moyenne : x1 = x2 = x La variance augmente avec la dispersion Distribution 1, écart type σ1 x1i – x1 x1 x1i Distribution 2, écart type σ2 > σ2 > σ1 x2i – x2 x2 x2i La variance augmente avec la dispersion • Les écarts à la moyenne sont les quantités : (x1i – x1) et (x2i -x2). • Il est clair que les observations de la distribution 2 sont plus étalées ou plus dispersées que celles de la distribution 1 ; ceci se traduira par des écarts à la moyenne plus élevés. • Ainsi l'écart type σ2 sera supérieur à σ1 (ou σ2² > σ1²). La variance augmente avec la dispersion • La dispersion peut s'apprécier visuellement avec les histogrammes : • Les observations de la deuxième série représentées par l'histogramme de droite sont plus dispersées. Propriétés • • • • • • c est une constante : V(x + c) = V(x) a est une constante : V(ax) = a² V(x) V(-x) = V(x) V(x+y) = V(x) + V(y) + 2COV(x,y) V(x-y) = V(x) + V(y) – 2COV(x,y) Si x et y sont indépendants : COV(x,y) = 0 Propriétés • COV(x,y) = 1/n . Ʃ(xi – x) (yi – y) = (1/n.Ʃxiyi) - xy • V(ax+by) = a²V(x) + b²V(y) + 2abCOV(x,y) • V(ax-by) = a²V(x) + b²V(y) - 2abCOV(x,y) Coefficient de variation • CV(x) = σx / x • Cette caractéristique de dispersion est indépendante des unités de mesure, puisque σx et x s'expriment dans la même unité. • Elle n'est pas très facile à utiliser et à interpréter si x est proche de 0. Etalement des données pour une distribution normale • De nombreuses distributions se rapprochent de la distribution normale. • Dans ce cas environ 95 % des observations sont comprises entre x - 2σx et x + 2σx. • La valeur exacte pour la loi normale est 1,96 au lieu de 2. • Environ 68 % des observations se dispersent entre x - σx et x + σx et 99,7 % se dispersent entre x - 3σx et x + 3σx. Exercice • Soit la température moyenne à Paris au cours du mois de janvier, pendant dix années consécutives : - 2,5 0,0 - 1,1 5,6 5,3 - 1,9 0,8 0,3 6,8 4,7 • Calculez la moyenne arithmétique et l’écart type de la distribution. Les phénomènes aléatoires Thème 4 Hubert LASSERRE Notions de théories des probabilités • Variables aléatoires et lois de probabilité discrètes – Fonction de répartition, espérance mathématique, variance et écart-type – Somme de variables aléatoires • Lois continues : loi normale – – – – Définition Variable centrée réduite Usage d’une table de la loi Normale Intervalles de confiance bilatéraux de la loi Normale Loi de probabilité d’une variable aléatoire discrète Objectifs • Les modèles mathématiques permettent de formaliser le comportement des phénomènes aléatoires. • Après avoir défini le concept de probabilité, il convient de définir le concept de variable aléatoire. • Dans une première approche nous dirons qu'une variable aléatoire consiste à attribuer à chaque résultat de l'expérience aléatoire un nombre. Loi de probabilité d’une variable aléatoire discrète Objectifs • Par exemple en jouant à pile ou face avec une pièce de monnaie, si le côté pile apparaît vous gagnez 100 euros, si le côté face apparaît vous perdez 100 euros (ou vous gagnez - 100 euros). • Cette variable aléatoire est discrète car elle prend des valeurs isolées + 100 et - 100. Loi de probabilité d’une variable aléatoire discrète Objectifs • Définir la loi de probabilité d'une variable aléatoire consiste à déterminer les probabilités des différentes valeurs de cette variable aléatoire. • Dans cet exemple la variable aléatoire prend les valeurs + 100 et - 100 avec les probabilités de 1/2 et 1/2. • Les variables aléatoires (v. a.) ou aléas numériques sont définies avec des nombres réels. Loi de probabilité d’une variable aléatoire discrète Définition d'une variable aléatoire discrète • Soit l'univers Ω, constitué d'un nombre fini d'éléments ou d'une infinité dénombrable d'éléments. • Ω = {ω1, ω2, …, ωi, …, ωn, …} • Définir une variable aléatoire X consiste à associer à chaque élément ω de Ω un nombre réel x. Loi de probabilité d’une variable aléatoire discrète Définition d'une variable aléatoire discrète • Ω R. • ω X(ω) = x Loi de probabilité d’une variable aléatoire discrète Loi de probabilité (ou distribution) d'une variable aléatoire discrète • Définition • Soit X une variable aléatoire discrète définie sur l'univers Ω. • La probabilité de l'événement (X = xi) est la probabilité de l'union des événements de Ω qui ont pour image xi. Loi de probabilité d’une variable aléatoire discrète Loi de probabilité (ou distribution) d'une variable aléatoire discrète • Définition • Si ω2, ω4, ω7 vérifient : X(ω2) = X(ω4) = X(ω7) = xi alors P(X = xi) = pi = P(ω2 U ω4 U ω7) = P(ω2) + P(ω4) + P(ω7) • La loi de probabilité de X est l'ensemble des couples (xi, pi) ; elle peut être présentée dans un tableau. Loi de probabilité d’une variable aléatoire discrète x x1 x2 … xi … xn Total P(X=x) p1 p2 … pi … pn 1 Loi de probabilité d’une variable aléatoire discrète • Pour tout xi, P(X = xi) = pi ≥ 0 et Ʃpi = 1 • Une loi de probabilité discrète est définie par les couples (xi,pi) avec P(X = xi) = pi ≥ 0 et Ʃpi = 1 Loi de probabilité d’une variable aléatoire discrète • Loi d’un couple de variables aléatoires • Soit X une variable aléatoire définie sur Ω1 et Y une variable aléatoire définie sur Ω2 X(ω1) = x et Y(ω2) = y, Z = (X,Y) est un couple de variables aléatoires (X, Y) z = Z(ω1,ω2) = (X(ω1),Y(ω2)) = (x,y) • La loi de Probabilité du couple de variables aléatoires (X, Y) est définie par l'ensemble des Couples (x, y) et les probabilités d'obtenir ces couples (désignée également par loi conjointe). Loi de probabilité d’une variable aléatoire discrète • • • • • Loi d’un couple de variables aléatoires Ainsi si l'on note : pij = P(X = xi ;Y = yi) pij = P(X = xi) . P(Y = yj/X = xi) pij = P(Y = yj) . P(X = xi/Y = yi) Loi de probabilité d’une variable aléatoire discrète Loi d’un couple de variables aléatoires • Les variables X et Y sont indépendantes si tous les événements X = xi et Y = yj le sont, c'est-à-dire : pij = P(X = xi) . P(Y = yi) = pi.pj • Pour tout i et tout j : pij = pi . pj <=> X et Y sont indépendantes • La modélisation la plus classique en statistique inductive sur les intervalles de confiance, les tests, se base sur des variables aléatoires indépendantes en probabilité. Loi de probabilité du couple (X,Y) X Y x1 x2 … xi … xp Total y1 p11 p21 … pi1 … pp1 p.1 y2 p12 p22 … pi2 … pp2 p.2 … … … … … … … … yj p1j p2j … pij … ppj p.j … … … … … … … … yq p1q p2q … piq … ppq p.q Total p1. p2. … pi. … pp. p.. = 1 Loi de probabilité d’une variable aléatoire discrète Composition de plusieurs variables aléatoires • une variable aléatoire est définie comme une application en mathématiques. • Il est donc possible de faire avec les variables aléatoires toutes les opérations classiques des applications : la somme, le produit, le quotient de deux variables aléatoires. • Soit : – X une variable aléatoire définie sur Ω, Sx = {ensembles des valeurs x} – Y une variable aléatoire définie sur Ω, Sy = {ensembles des valeurs y} Loi de probabilité d’une variable aléatoire discrète Composition de plusieurs variables aléatoires • Addition Z = X + Y • Pour ω є Ω, Z(ω) = (X + Y)(ω) = X(ω) + Y(ω), soit z = x + y. • Cette relation définit la loi d'addition de deux variables aléatoires, elle a été notée + pour la distinguer du signe + qui concerne l'addition des nombres réels. Pour la suite on emploie le même symbole et on note : Z = X + Y. Espérance mathématique et moments non centrés d’une variable aléatoire discrète Objectifs • Blaise Pascal, dans une lettre à Fermat le 29 juillet 1654, introduit la notion d'espérance à propos d'un problème posé par le chevalier de Méré. • Dans un jeu de pile ou face, chaque joueur mise 32 pistoles, le joueur qui a obtenu trois manches consécutives empoche le total, soit 64 pistoles. Espérance mathématique et moments non centrés d’une variable aléatoire discrète Objectifs • Les joueurs sont obligés de se séparer alors que l'un des deux a gagné une manche ; comment partager les 64 pistoles ? 32 et 32 est-il un partage équitable ? • Non, pense Pascal puisque le joueur qui a gagné une manche a plus de chances de gagner la partie ; aussi Pascal plutôt que de laisser à chacun sa mise propose de partager les 64 pistoles en fonction de l'espoir de gain de chacun, c'est ainsi qu'est apparue cette notion d'espérance mathématique, le nom est resté. Espérance mathématique et moments non centrés d’une variable aléatoire discrète Objectifs • En statistique descriptive la moyenne arithmétique est la caractéristique de tendance centrale la plus utilisée pour résumer une distribution. • En probabilité, l'espérance mathématique d'une variable aléatoire X, notée E(X) , est la caractéristique de tendance centrale la plus utilisée pour résumer une distribution. Espérance mathématique et moments non centrés d’une variable aléatoire discrète Objectifs • Les moments permettent de calculer d'autres caractéristiques d'une distribution de probabilité (variance, asymétrie...). • Lorsque la moyenne exacte d'une population est inconnue, la moyenne d'un échantillon issu de cette population fournit une approximation de la moyenne exacte de la population. Espérance mathématique et moments non centrés d’une variable aléatoire discrète Objectifs • Lorsqu'un échantillon peut être modélisé comme les réalisations d'une variable aléatoire, la moyenne x des réalisations x1, x2, . . . , xi, . . . , xn de cette variable aléatoire X fournit une valeur approchée de l'espérance mathématique E(X) lorsque cette valeur est inconnue. • Il est possible de donner une idée de la précision du résultat par un intervalle de confiance. Espérance mathématique et moments non centrés d’une variable aléatoire discrète • Espérance mathématique d’une variable aléatoire discrète : E(X) • La loi de probabilité d’une variable aléatoire X est donnée par le tableau suivant : X=x x1 x2 … xi … xn Total P(X=x) p1 p2 … pi … pn 1 Espérance mathématique et moments non centrés d’une variable aléatoire discrète • L’espérance mathématique de X est le nombre : • E(X) = p1x1 + p2x2 + … + pixi + … = pnxn • E(X) = Ʃpixi Espérance mathématique et moments non centrés d’une variable aléatoire discrète Exemple : • Calculez l’espérance mathématique du tirage suivant : X=x - 200 50 100 300 P(X=x) 0,25 0,40 0,25 0,10 Espérance mathématique et moments non centrés d’une variable aléatoire discrète Propriétés : • E(aX) = a E(X) • E(X + Y) = E(X) + E(Y) • E(X.Y) = E(X) . E(Y) si X et Y sont indépendants Variance et moments centrés d’une variable aléatoire discrète Objectifs • Résumer une distribution ou une loi de probabilité par une seule caractéristique de valeur centrale telle que l'espérance mathématique est insuffisant. • Après des expériences aléatoires, les réalisations de cette variable aléatoire se dispersent autour de cette valeur centrale. • La caractéristique de dispersion la plus utilisée est la variance. Variance et moments centrés d’une variable aléatoire discrète Objectifs • L'écart type est la racine carrée de la variance. • L'espérance mathématique et la variance (ou l'écart type) constituent les deux principales caractéristiques d'une variable aléatoire ou d'une loi de probabilité. Variance et moments centrés d’une variable aléatoire discrète Objectifs • Lorsque la variance exacte d'une population est inconnue, la variance d'un échantillon issu de cette population fournit une approximation de la variance exacte. • Lorsqu'un échantillon peut être modélisé comme les réalisations d'une variable aléatoire, il est possible de donner une idée de la précision du résultat sur la variance par un intervalle dit de confiance. Variance et moments centrés d’une variable aléatoire discrète Définition de la variance et de l’écart-type • Soit une loi de probabilité d’une variable aléatoire X définie par l’ensemble des couples (xi,pi) X=x x1 x2 … xi … xn Total P(X=x) p1 p2 … pi … pn 1 Variance et moments centrés d’une variable aléatoire discrète • V(X) = E[X – E(X)]² • V(X) = Ʃpixi (xi – E(X))² • En posant E(X) = m, il vient : V(X) = Ʃpixi (xi – m)² • L’écart-type σx est la racine carrée de la variance : σx = V(X) Variance et moments centrés d’une variable aléatoire discrète Formule développée de la variance • V(X) = E(X²) – [E(X)]² Propriétés : • V(a) = 0 • V(X + a) = V(X) • V(aX) = a² V(X) • V(-X) = V(X) Variance et moments centrés d’une variable aléatoire discrète Covariance et corrélation de deux variables X et Y • Cov (X,Y) = E[(X – E(X)) (Y – E(Y))] • Cov(X,Y) = E(X,Y) – E(X).E(Y) • Cov(X,Y) = ƩƩpij xiyj – (Ʃpi. xi) (Ʃp.j yj) Variance et moments centrés d’une variable aléatoire discrète Covariance et corrélation de deux variables X et Y Si deux variables sont indépendantes : • E(X) . E(Y) = E(XY) • Cov(X,Y) = 0 • Cov(X,Y) = Cov(Y,X) • Cov(aX,bY) = ab Cov(X,Y) • Cov(X,X) = V(X) Variance et moments centrés d’une variable aléatoire discrète • Variable centrée réduite • Soit une variable aléatoire X ayant pour espérance E(X) = m et un écart-type σx • Y = X – E(X) est la variable centrée σx réduite associée à X. Elle vérifie E(Y) = 0 et V(Y) = 1 Variance et moments centrés d’une variable aléatoire discrète Remarque • Ce changement de variable est très utilisé en statistique lorsque l'on étudie la variabilité d'un phénomène lié à la variabilité de plusieurs variables hétérogènes. • La variabilité, en terme de variance, dépend du choix des unités et une façon de donner une influence équilibrée à chaque variable est de les transformer en variables centrées réduites. Variance et moments centrés d’une variable aléatoire discrète • Variance de l’addition de deux variables aléatoires • V(X+Y) = V(X) + V(Y) + Cov(X,Y) • V(X-Y) = V(X) + V(Y) - Cov(X,Y) • V(aX+bY) = a²V(X) + b²V(Y) + ab Cov(X,Y) • V(aX-bY) = a²V(X) + b²V(Y) – ab Cov(X,Y) • X et Y indépendants : V(X+Y) = V(X) + V(Y) Loi normale ou loi de LaplaceGauss Objectifs • La loi de Laplace-Gauss joue un rôle particulièrement important dans la théorie des probabilités et en statistique car c'est une loi limite vers laquelle tendent les autres lois de probabilités pour des conditions que l'on rencontre fréquemment dans la pratique. • C'est pour cette raison qu'il est d'usage courant de la désigner par le terme de loi normale. Loi normale ou loi de LaplaceGauss Objectifs • C'est pour cette raison qu'il est d'usage courant de la désigner par le terme de loi normale. • En particulier, le résultat suivant qui découle du théorème central limite revient souvent : la somme ou la moyenne de plus de trente variables aléatoires indépendantes qui suivent la même loi de probabilité suit approximativement une loi normale. Loi normale ou loi de LaplaceGauss Objectifs • En appliquant ce résultat, il est facile de constater qu'une somme de variables de Bernoulli indépendantes de même paramètre p, qui constitue une loi binomiale se rapproche d'une loi normale. • Lors d'un sondage d'opinions, le nombre d'individus de l'échantillon qui présentent une caractéristique donnée obéit à une loi binomiale et le pourcentage observé correspondant peut être approximé par une variable aléatoire normale ; cela facilite le traitement des résultats en statistique. Loi normale ou loi de LaplaceGauss • Une variable aléatoire normale X dépend de deux paramètres, l'espérance mathématique m = E(X) et l'écart type noté σ ou σx. • Il existe une infinité de lois normales différentes lorsque m et σ varient. • La variable aléatoire T = X – m σ • vérifie E(T) = 0 et σT = 1. Loi normale ou loi de LaplaceGauss • Dans le cas où X suit une loi normale, T suit aussi une loi normale. • Pour un calcul de probabilités sur X, il est d'usage courant d'utiliser la table qui donne la fonction de répartition de la variable normale centrée réduite notée T ou U ou V. Loi normale ou loi de LaplaceGauss Loi normale centrée réduite • T est la variable centrée réduite si sa densité en tout point réel t est la suivante : – f(t) = t є ]-∞, +∞[ 1 e-1/2t² 2π Loi normale ou loi de LaplaceGauss Graphe de la densité • L’aire totale de la courbe est égale à 1 Loi normale ou loi de LaplaceGauss • E(T) = 0 (symétrie) • P(T > 0) = P(T < 0) = 0,5 • V(T) = 1 • σT = 1 Loi normale ou loi de LaplaceGauss Loi normale centrée réduite t2 • P(t1<T≤t2) = f(t) dt = F(t2) – F(t1) t1 Loi normale ou loi de LaplaceGauss • F primitive de f ne correspond pas à un type de fonction connue, des tables statistiques pallient cet inconvénient en fournissant pour les valeurs de t positives les quantités : • F(t) = P(T≤t) = 1 e-1/2x² dx 2π Loi normale ou loi de LaplaceGauss Loi normale ou loi de LaplaceGauss Loi normale de paramètres m et σ : N(m,σ) • La densité de probabilité d'une variable aléatoire normale X de paramètres m et a est définie dans lR de la façon suivante : • F(x) = 1 e-1/2[(x-m)/ σ]² 2πσ +∞ • Et vérifie f(x) dx = 1 -∞ Loi normale ou loi de LaplaceGauss • Graphe de f Loi normale ou loi de LaplaceGauss Espérance mathématique • E(X) = m • Ce résultat est évident du fait de la symétrie par rapport à la droite d'équation x=m; • P(X < m) = P(X > m) = 0,5 ; la médiane est aussi égale à m. Loi normale ou loi de LaplaceGauss Variance • V(X) = σ² Relation entre la loi normale centrée et une variable quelconque Si X N(m,σ) alors T = X – m N(0,1) σ Si T N(0,1) alors X = m +TσN(m,σ) Loi normale ou loi de LaplaceGauss • Additivité • (X1 + X2) N(m1 + m2 ; √ σ1² + σ2²) Loi normale ou loi de LaplaceGauss Loi normale ou loi de LaplaceGauss Loi normale ou loi de LaplaceGauss Loi normale ou loi de LaplaceGauss Loi normale ou loi de LaplaceGauss