Probabilité Quelques lois essentielles Lois essentielles Nous allons étudier quelques lois essentielles: ● loi uniforme ● loi de Bernoulli ● loi binomiale ● loi normale Il en existe beaucoup d’autres, mais nous allons nous limiter à celles-ci pour l’instant Représentation d’une loi On distingue 2 représentations d’une loi de probabilité: ● par sa fonction de densité (PDF) ● par sa fonction cumulative (CDF) Les 2 formes sont équivalentes et donne le modèle permettant de calculer des probabilités: P: x -> [0,1] Bien qu’on présente le plus souvent la PDF, la CDF est plus pratique pour les simulations Calcul de probabilité via PDF et CDF Si la PDF d’une loi est donnée par une fonction f(x): P(x≤X) = somme( f(x) ) pour x≤X La somme dans le cas continu est l’aire sous la courbe de f Si la CDF d’une loi est donnée par une fonction F(x): P(x≤X) = F(X) Bien que dans le cas discrèt, P(x=X) = f(X), la CDF est souvent plus pratique pour calculer une probabilité Loi uniforme discrète Chaque événement e a la même probabilité: p(e) = 1/n où n est le nombre d’événements possibles Exemple: un dé parfait à 6 faces PDF: f(1)=⅙, f(2)=⅙, f(3)=⅙, f(4)=⅙, f(5)=⅙, f(6)=⅙ CDF: F(1)=⅙, F(2)=⅓, F(3)=½, F(4)=⅔, F(5)=⅚, F(6)=1 Loi uniforme discrète (suite) Exemple de calcul de probabilité via PDF et CDF dans le cas de la loi du dé parfait à 6 faces ● P(x≤3) ○ via PDF: f(1)+f(2)+f(3) = ½ ○ via CDF: F(3) = ½ ● P(2≤x≤5) = P(x≤5) - P(x≤1) ○ via PDF: f(1)+f(2)+f(3)+f(4)+f(5)-f(1) = ⅔ ○ via CDF: F(5)-F(1) = ⅚-⅙ = ⅔ Loi uniforme continue C’est le cas limite d’une infinité d’événements Par exemple: si x peut prendre des valeurs sur un segment [a, b], la probabilité que x soit dans le sous-segment [k, h] de [a, b] est: (h-k)/(b-a) La nature continue de la loi de probabilité implique que la probabilité d’une valeur x est (x-x)/(b-a)=0 Note: ceci est vrai pour toute les lois continues, P(x=X) = 0 Loi uniforme continue (suite) Le cas particulier avec l’intervalle [0,1] est important, on note la loi U(0,1), car les générateurs de nombres aléatoires produisent des nombres suivant cette loi PDF: f(x) = 1 si x∈[0,1] , 0 autrement CDF: F(x) = x si x∈[0,1] , 0 si x<0 et 1 si x>1 Exemple: P(x≤0.5) = 0.5 Loi de Bernoulli Une expérience de Bernoulli a 2 possibilités: succès (s) et échec (e) Le paramètre est la probabilité de succès P(s)=p, on en déduit la probabilité d’échec: P(e) = 1 - P(s) = 1-p La loi est donc complètement donnée par: P(s)=p , P(e)=1-p Loi binomiale On répète une expérience de Bernoulli n fois et on s’intéresse au nombre de succès k. Par exemple, le nombre de faces dans 10 lancés d’une pièce de monnaie Alors P(k) = n!/(k!*(n-k)!) * pk * (1-p)(n-k) où n! = n*(n-1)*(n-2)*...*3*2*1 Loi binomiale 20 répétitions avec 0.5 Fréquence du nombre de succès pour un échantillon simulé de 10000 expériences (orange) et valeur théorique selon la loi de probabilité (bleu) Loi normale Lorsque n tend vers l’infini, la loi binomiale tend vers une loi continue appelée “loi normale” C’est une des plus importante loi de probabilité car elle intervient dans le théorème de la limite centrale. Ceci lui confère un rôle particulier qui explique pourquoi elle apparaît partout en science et en affaire Graphe de la loi normale Soit μ la moyenne et σ l’écart-type d’une v.a. au sein d’une population, une probabilité selon la loi N(μ,σ) est donnée par l’aire sous la courbe (PDF): Probabilité selon N(μ,σ) Pour les possibilités, on observe que: ● le 2/3 sont dans [μ-σ,μ+σ] ● 95% sont dans [μ-2σ,μ+2σ] ● 99% sont dans [μ-3σ,μ+3σ] On considère généralement qu’un événement en-dehors de la zone [μ-2σ,μ+2σ] est anormal, de plus, il est exceptionnel qu’il soit en-dehors de [μ-3σ,μ+3σ] Paramètres de la loi normale La loi dépends de 2 paramètres: la moyenne et l’écart-type La loi est centrée sur la moyenne et l’étalement dépends de l’écart-type Soit x une v.a. distribuée selon la loi N(μ,σ), alors la v.a. z = (x-μ)/σ est distribuée selon la loi N(0,1) On dit que z est “normalisée” ou “centrée et réduite”