Exercices Lois de probabilités discrètes Statistiques II Alexandre Caboussat [email protected] Classe : Mardi 11h15 - 13h00 Salle : C110 http://campus.hesge.ch/caboussata 5 avril 2011 A. Caboussat, HEG STAT II, 2011 1 / 30 Exercices Lois de probabilités discrètes Exercice 2.12 Une enquête auprès de 100 couples mariés habitant une certaine ville donne les résultats suivants : nbre d'enfants (x) % des couples % des couples (avec x enfants) où les deux conjoints travaillent 0 20 80 1 30 20 2 ou plus 50 10 Si on choisit au hasard un couple marié où les deux conjoints travaillent, quelle est la probabilité qu'ils aient au moins un enfant? A. Caboussat, HEG STAT II, 2011 2 / 30 Exercices Lois de probabilités discrètes Exercice 2.13 Les pralinés vendus dans les boîtes ne sont pas tous totalement recouverts de chocolat. Cela provient d'une des deux machines qui recouvre les pralinés de chocolat. La machine A recouvre 40% des pralinés, avec un taux de défaut de 2%. La machine B recouvre le reste des pralinés, avec un taux de défaut de 1%. 1 2 Calculez la probabilité qu'un praliné ne soit pas totalement recouvert de chocolat. Quelle machine est le plus probablement en cause? (Justiez) A. Caboussat, HEG STAT II, 2011 3 / 30 Exercices Lois de probabilités discrètes Exercice 2.14 Le 30% des touristes d'une station hivernale reste plus de 2 semaines dans la station. Les touristes étrangers représentent le 40% , dont la moitié séjournent plus de 2 semaines. Si un touriste reste plus de 2 semaines, quelles est la probabilité qu'il soit étranger ? A. Caboussat, HEG STAT II, 2011 4 / 30 Exercices Lois de probabilités discrètes Exercice 3.1 magasin a b c d e f nombre de succursales 3 1 2 1 0 1 Soit X = le nombre de succursales d'un magasin choisi au hasard dans la population. A. Caboussat, HEG STAT II, 2011 5 / 30 Exercices Lois de probabilités discrètes Exercice 3.2 A. Caboussat, HEG STAT II, 2011 6 / 30 Exercices Lois de probabilités discrètes Rappels distribution de probabilité: p (x ) = P (X = x ) pour x ∈ X fonction de répartition: F (x ) = P (X ≤ x ) pour x ∈ X A. Caboussat, HEG STAT II, 2011 7 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire X L'espérance mathématique d'une variable aléatoire X , notée E(X ), est la valeur moyenne que l'on devrait obtenir si l'on observait un grand nombre de fois X . Elle correspond à la moyenne de X dans la population. L'espérance mathématique est dénie comme une moyenne pondérée des modalités possibles de X : Espérance mathématique de E(X ) = X x ∈X p (x ) x On note µX l'espérance de X dans la population. A. Caboussat, HEG STAT II, 2011 8 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire L'espérance n'étant autre que la moyenne, elle possède également la propriété de linéarité. A. Caboussat, HEG STAT II, 2011 9 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire L'espérance n'étant autre que la moyenne, elle possède également la propriété de linéarité. E (X + Y ) = E (X ) + E (Y ) A. Caboussat, HEG STAT II, 2011 9 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire L'espérance n'étant autre que la moyenne, elle possède également la propriété de linéarité. E (X + Y ) = E (X ) + E (Y ) E (a · X ) = a · E (X ), où a est une constante (pas une variable aléatoire) A. Caboussat, HEG STAT II, 2011 9 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire L'espérance n'étant autre que la moyenne, elle possède également la propriété de linéarité. E (X + Y ) = E (X ) + E (Y ) E (a · X ) = a · E (X ), où a est une constante (pas une variable aléatoire) On peut bien sûr combiner: E (a · X + b · Y ) = a · E (X ) + b · E (Y ), où a et b sont des constantes A. Caboussat, HEG STAT II, 2011 9 / 30 Exercices Lois de probabilités discrètes Espérance d'une variable aléatoire L'espérance n'étant autre que la moyenne, elle possède également la propriété de linéarité. E (X + Y ) = E (X ) + E (Y ) E (a · X ) = a · E (X ), où a est une constante (pas une variable aléatoire) On peut bien sûr combiner: E (a · X + b · Y ) = a · E (X ) + b · E (Y ), où a et b sont des constantes Si X et Y sont deux variables aléatoires indépendantes, on a E (X · Y ) = E (X ) · E (Y ) A. Caboussat, HEG STAT II, 2011 9 / 30 Exercices Lois de probabilités discrètes Variance d'une variable aléatoire X La variance d'une variable aléatoire X est dénie comme l'espérance du carré de l'écart entre X et son espérance: Variance de Var(X ) = E (X − E(X ))2 = = X x ∈X X x ∈X p (x ) (x − µ)2 p (x ) x 2 − µ2 On note σX2 la variance de X dans la population. L'écart-type σX de X est la racine carrée de la variance. A. Caboussat, HEG STAT II, 2011 10 / 30 Exercices Lois de probabilités discrètes Variance d'une variable aléatoire Prix des quotidiens: x 2 FS 2.50 FS 3 FS P (X = x ) 0.1 0.5 0.4 A. Caboussat, HEG STAT II, 2011 11 / 30 Exercices Lois de probabilités discrètes Variance d'une variable aléatoire Prix des quotidiens: x 2 FS 2.50 FS 3 FS P (X = x ) 0.1 0.5 0.4 µX = 0.1 · 2 + 0.5 · 2.5 + 0.4 · 3 = 2.65 σX2 = 0.1 · (2 − 2.65)2 + 0.5 · (2.5 − 2.65)2 + 0.4 · (3 − 2.65)2 = 0.1025 σX = A. Caboussat, HEG √ 0.1025 = 0.3202 STAT II, 2011 11 / 30 Exercices Lois de probabilités discrètes Moments d'une distribution Moments d'une distribution Le moment d'ordre E(X ) = m X x A. Caboussat, HEG m d'une distribution est déni par x p(x ) m ∈X STAT II, 2011 12 / 30 Exercices Lois de probabilités discrètes Moments d'une distribution Moments d'une distribution Le moment d'ordre E(X ) = m X x m d'une distribution est déni par x p(x ) m ∈X Le moment centré d'ordre E [(X − E(X )) ] = m x A. Caboussat, HEG m d'une distribution est déni par X (x − µ) m p(x ) ∈X STAT II, 2011 12 / 30 Exercices Lois de probabilités discrètes Moments d'une distribution Moments d'une distribution Le moment d'ordre E(X ) = m X x m d'une distribution est déni par x p(x ) m ∈X Le moment centré d'ordre E [(X − E(X )) ] = m m d'une distribution est déni par X x (x − µ) m p(x ) ∈X Il est également possible de dénir les moments d'une fonction g (X ) de la variable X en remplaçant x par g (x ) dans les formules ci-dessus. A. Caboussat, HEG STAT II, 2011 12 / 30 Exercices Lois de probabilités discrètes Moments d'une distribution Moments d'une distribution Le moment d'ordre E(X ) = m X x m d'une distribution est déni par x p(x ) m ∈X Le moment centré d'ordre E [(X − E(X )) ] = m m d'une distribution est déni par X x (x − µ) m p(x ) ∈X Il est également possible de dénir les moments d'une fonction g (X ) de la variable X en remplaçant x par g (x ) dans les formules ci-dessus. Le moment d'ordre 1 d'une distribution est son espérance. Le moment centré d'ordre 2 d'une distribution est sa variance. L'indice d'asymétrie (skewness) est construit à partir du moment centré d'ordre 3. L'indice d'aplatissement (kurtosis) est construit à partir du moment centré d'ordre 4. A. Caboussat, HEG STAT II, 2011 12 / 30 Exercices Lois de probabilités discrètes Processus binomial On s'intéresse à une suite de n épreuves aléatoires donnant lieu chacune soit à un succès, soit à un échec. A. Caboussat, HEG STAT II, 2011 13 / 30 Exercices Lois de probabilités discrètes Processus binomial On s'intéresse à une suite de n épreuves aléatoires donnant lieu chacune soit à un succès, soit à un échec. Ces épreuves sont homogènes (même probabilité de succès à chaque épreuve); indépendantes. Cela correspond à des tirages avec remises. A. Caboussat, HEG STAT II, 2011 13 / 30 Exercices Lois de probabilités discrètes Processus binomial On s'intéresse à une suite de n épreuves aléatoires donnant lieu chacune soit à un succès, soit à un échec. Ces épreuves sont homogènes (même probabilité de succès à chaque épreuve); indépendantes. Cela correspond à des tirages avec remises. A chaque épreuve est associée une variable aléatoire dichotomique Xi , dite de Bernoulli, prenant la valeur 1 en cas de succès et 0 en cas d'échec. A. Caboussat, HEG STAT II, 2011 13 / 30 Exercices Lois de probabilités discrètes Processus binomial On s'intéresse à une suite de n épreuves aléatoires donnant lieu chacune soit à un succès, soit à un échec. Ces épreuves sont homogènes (même probabilité de succès à chaque épreuve); indépendantes. Cela correspond à des tirages avec remises. A chaque épreuve est associée une variable aléatoire dichotomique Xi , dite de Bernoulli, prenant la valeur 1 en cas de succès et 0 en cas d'échec. La probabilité de succès est notée p : xi 0 1 p (xi ) (1 − p ) p La probabilité p correspond à la proportion de la population possédant la caractéristique étudiée. A. Caboussat, HEG STAT II, 2011 13 / 30 Exercices Lois de probabilités discrètes Processus binomial Les variables Xi sont iid: indépendantes, identiquement distribuées. A. Caboussat, HEG STAT II, 2011 14 / 30 Exercices Lois de probabilités discrètes Processus binomial Les variables Xi sont iid: indépendantes, identiquement distribuées. Propriétés de Xi : E(Xi ) = p Var(Xi ) = (0 − p )2 (1 − p ) + (1 − p )2 p = p (1 − p ) A. Caboussat, HEG STAT II, 2011 14 / 30 Exercices Lois de probabilités discrètes Processus binomial Les variables Xi sont iid: indépendantes, identiquement distribuées. Propriétés de Xi : E(Xi ) = p Var(Xi ) = (0 − p )2 (1 − p ) + (1 − p )2 p = p (1 − p ) La variance maximale possible de Xi est égale à 0.25 et correspond à une probabilité p = 0.5: Remarque: p p (1 − p ) 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.09 0.16 0.21 0.24 0.25 0.24 0.21 0.16 0.09 0 A. Caboussat, HEG STAT II, 2011 14 / 30 Exercices Lois de probabilités discrètes Processus binomial Deux quantités peuvent être étudiées dans un processus binomial: 1 La variable aléatoire un nombre xé X X représentant le nombre de succès obtenus en n d'épreuves aléatoires: X = suit alors une loi binomiale de paramètres n X X i i =1 n et p: X ∼ Bin(n, p) A. Caboussat, HEG STAT II, 2011 15 / 30 Exercices Lois de probabilités discrètes Processus binomial Deux quantités peuvent être étudiées dans un processus binomial: 1 La variable aléatoire un nombre xé X X représentant le nombre de succès obtenus en n d'épreuves aléatoires: X = suit alors une loi binomiale de paramètres n X X i i =1 n et p: X ∼ Bin(n, p) 2 La variable aléatoire N représentant le nombre d'épreuves aléatoires nécessaire pour obtenir un nombre xé x de succès. N suit alors une loi binomiale négative de paramètres x et p: N ∼ Binneg(x , p) A. Caboussat, HEG STAT II, 2011 15 / 30 Exercices Lois de probabilités discrètes Processus binomial Deux quantités peuvent être étudiées dans un processus binomial: 1 La variable aléatoire un nombre xé X X représentant le nombre de succès obtenus en n d'épreuves aléatoires: X = suit alors une loi binomiale de paramètres n X X i i =1 n et p: X ∼ Bin(n, p) 2 La variable aléatoire N représentant le nombre d'épreuves aléatoires nécessaire pour obtenir un nombre xé x de succès. N suit alors une loi binomiale négative de paramètres x et p: N ∼ Binneg(x , p) Dans le cas où A. Caboussat, HEG x = 1, on parle de loi de Pascal de paramètre p: N ∼ Pascal(p) STAT II, 2011 15 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: En 1990, 37.5% des femmes résidant en Suisse avaient un emploi. Quelle est la probabilité que dans un échantillon de 5 femmes sélectionnées aléatoirement, il y en ait exactement 3 qui aient un emploi? A. Caboussat, HEG STAT II, 2011 16 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: En 1990, 37.5% des femmes résidant en Suisse avaient un emploi. Quelle est la probabilité que dans un échantillon de 5 femmes sélectionnées aléatoirement, il y en ait exactement 3 qui aient un emploi? Soit X la variable aléatoire représentant le nombre de femmes ayant un emploi parmi les 5. n=5, p =0.375, x =3 X ∼ Bin(5, 0.375) A. Caboussat, HEG STAT II, 2011 16 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: En 1990, 37.5% des femmes résidant en Suisse avaient un emploi. Quelle est la probabilité que dans un échantillon de 5 femmes sélectionnées aléatoirement, il y en ait exactement 3 qui aient un emploi? Soit X la variable aléatoire représentant le nombre de femmes ayant un emploi parmi les 5. n=5, p =0.375, x =3 X ∼ Bin(5, 0.375) Notre question est: que vaut P (X = 3)? A. Caboussat, HEG STAT II, 2011 16 / 30 Exercices Lois de probabilités discrètes Loi binomiale Notons e pour un échec d'une épreuve aléatoire et s pour un succès de celle-ci. Un résultat particulier de n épreuves successives se présente donc sous la forme s s e s e ...e s A. Caboussat, HEG STAT II, 2011 17 / 30 Exercices Lois de probabilités discrètes Loi binomiale Notons e pour un échec d'une épreuve aléatoire et s pour un succès de celle-ci. Un résultat particulier de n épreuves successives se présente donc sous la forme s s e s e ...e s Les n épreuves aléatoires, dont la somme constitue la variable X distribuée selon la loi binomiale, étant indépendantes, la probabilité associée à une suite particulière de n épreuves aléatoires peut s'écrire P (ssese . . . es ) = p x (1 − p )n−x où x est le nombre de succès et (n − x ) le nombre d'échecs. A. Caboussat, HEG STAT II, 2011 17 / 30 Exercices Lois de probabilités discrètes Loi binomiale Notons e pour un échec d'une épreuve aléatoire et s pour un succès de celle-ci. Un résultat particulier de n épreuves successives se présente donc sous la forme s s e s e ...e s Les n épreuves aléatoires, dont la somme constitue la variable X distribuée selon la loi binomiale, étant indépendantes, la probabilité associée à une suite particulière de n épreuves aléatoires peut s'écrire P (ssese . . . es ) = p x (1 − p )n−x où x est le nombre de succès et (n − x ) le nombre d'échecs. Le problème consiste à dénombrer le nombre de situations diérentes conduisant à un même nombre x de succès. A. Caboussat, HEG STAT II, 2011 17 / 30 Exercices Lois de probabilités discrètes Loi binomiale Loi binomiale avec n = 3 et p =0.3. résultat x P (X = x ) P (X = x | p = 0.3) eee 0 (1 − p )3 0.343 ees ese see 1 3p (1 − p )2 0.441 ess ses sse 2 3p 2 (1 − p ) 0.189 3 p3 1 0.027 1 sss Total A. Caboussat, HEG STAT II, 2011 18 / 30 Exercices Lois de probabilités discrètes Loi binomiale Le nombre de combinaisons des x succès parmi les résultats des n épreuves aléatoires est alors égal à n x = A. Caboussat, HEG n! x ! (n − x )! STAT II, 2011 19 / 30 Exercices Lois de probabilités discrètes Loi binomiale Le nombre de combinaisons des x succès parmi les résultats des n épreuves aléatoires est alors égal à n x = n! x ! (n − x )! La distribution de probabilité d'une variable aléatoire X ∼ Bin(n, p ) s'écrit alors P (X = x ) = A. Caboussat, HEG n x p x (1 − p )n−x STAT II, 2011 19 / 30 Exercices Lois de probabilités discrètes Loi binomiale Propriétés de A. Caboussat, HEG X STAT II, 2011 20 / 30 Exercices Lois de probabilités discrètes Loi binomiale Propriétés de X µ = E(X ) = E σ 2 " n X i =1 = Var(X ) = Var = n X i =1 A. Caboussat, HEG # Xi = " n X i =1 Xi n X i =1 E(Xi ) = np # Var(Xi ) = np (1 − p ) STAT II, 2011 20 / 30 Exercices Lois de probabilités discrètes Loi binomiale Propriétés de X µ = E(X ) = E σ 2 " n X i =1 = Var(X ) = Var = Remarque: n X i =1 # Xi = " n X i =1 Xi n X i =1 E(Xi ) = np # Var(Xi ) = np (1 − p ) La relation variance de la somme = somme des variances n'est vraie que parce que les variables Xi sont des variables indépendantes. A. Caboussat, HEG STAT II, 2011 20 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: X ∼ Bin(5, 0.375) E(X ) = Var(X ) = σX = P (X = 3) = A. Caboussat, HEG STAT II, 2011 21 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: X ∼ Bin(5, 0.375) E(X ) = np = 1.875 Var(X ) = np (1 − p ) = 1.17 = 1.08 5 P (X = 3) = 0.3753 (1 − 0.375)2 = 0.206 σX 3 A. Caboussat, HEG STAT II, 2011 21 / 30 Exercices Lois de probabilités discrètes Loi binomiale Exemple: X ∼ Bin(5, 0.375) E(X ) = np = 1.875 Var(X ) = np (1 − p ) = 1.17 = 1.08 5 P (X = 3) = 0.3753 (1 − 0.375)2 = 0.206 σX 3 La distribution de probabilité complète de X s'écrit x 0 1 2 3 4 5 p (x ) 0.095 0.286 0.343 0.206 0.062 0.007 A. Caboussat, HEG STAT II, 2011 21 / 30 Exercices Lois de probabilités discrètes Exemple (exercice 2.15) A. Caboussat, HEG STAT II, 2011 22 / 30