Automne 2016 Prof : Simon Plouffe, IUT On reprend tout Événements et quelques graphiques Si on lance une pièce 2 fois : l’événement qui consiste à n’avoir qu’une seule fois FACE. En notant F = 1 et P = 0 est représenté graphiquement par : En tant qu’événements on a l’ensemble S lui-même qui est certain en terme de probabilités et l’ensemble vide qui est un événement impossible puisqu’un élément du vide ne peut pas avoir lieu. Comment compter avec des arbres Si une chose peut être accomplie de façons différentes suivie d’une 2ème de façons différentes , et au final k choses accomplies de façon différente alors le nombre au final de façons différentes de faire est … façons Par exemple, un individu possède 2 serpillères différentes à se metre sur la tête et 4 tutus (rouge, rose, bleu poudre et saumon) alors il peut s’habiller de 8 façons différentes. Permutations et arrangements On note cette façon de compter des objets et = ! ! Exemple, = 120. Un corollaire de ce théorème est qu’il y a n! On en déduit que permutations de n objets. Si on a 3 lettres a,b,c, il y a 6 permutations. Permutations avec répétitions Le nombre de permutations de n objets dont sont semblables ou indiscernables, sont semblables, … sont semblables est : ! ! !… ! Par exemple, le nombre de permutations avec les 11 lettres du mot : M I S S I S S I P P I (grand fleuve américain très plat) qui contient 1M, 2 P, 4 I et 4 S est 11! 1! 2! 4! 4! 34650 Dans l’échantillonnage on distingue 2 cas de figure Exhaustif et non-exhaustif Par exemple, de combien de façons peut-on tirer 3 cartes (cas exhaustif) d’un jeu de 52 cartes il y a 52 x 52 x 52 = 140 608 façons. Pour le cas exhaustif il y a 52 x 51 x 50 = 132 600 façons. Arrangements ! ! Combinaisons ! Permutations ! ! ! ! Le problème du calcul de Par la formule de Stirling quand n et k sont >> 1. ! 2 En prenant le logarithme (népérien ou en base e) on obtient que 1 log 2π 2 ! Donc avec = , on a log(1000!) 3000 ln(10) - 1000 + ln(2000 Pi)/2 et !· ! log(500!) 500 ln(500) - 500 + ln(1000 Pi)/2 et simplifié qui nous donne : log ! n · log n n exp(999 ln(2) - 3/2 ln(5) - 1/2 ln(Pi)) = exp(689.4675116) Indépendance et probabilité conditionnelle Par conséquent Exemple Exemple Considérons les épreuves répétées et indépendantes d’une même expérience n’ayant que 2 résultats possibles. On suppose que l'un de ces résultats correspond à un succès et l'autre à un échec. Soit p la probabilité de succès. Par voie de conséquence, la probabilité d'échec est 1 Si l'on ne s'intéresse qu'au nombre de succès, et non à l'ordre dans lequel ceux‐ci se réalisent, on peut énoncer le théorème suivant. Laprobabilitépourqu'ilyaitexactementksuccèslorsdenépreuvesrépétées estdonnéepar ; , Onpeutobserverquelaprobabilitéden'avoiraucunsuccèsest ,etquepar conséquent,laprobabilitéd'avoiraumoinsunsuccèsest1 . Exemples Exemples Onarriveauthéorèmetrèsimportantsuivant Distribution binomiale Moyenne Variance Écart‐type Onjetteundéparfait180foisdesuite.L’espérancemathématiquedunombrede 5. 30etl’écart type, 180 · ⁄ · ⁄ sixest 180 · ⁄ Revenonsuninstantauxdés Lesdiagrammesenbâtonsreprésententleslois discrètesdelasommede1,2,3,4ou5dés.Lacourbe noireestladensitédelaloinormalevuecommelimite desdiagrammesenbâtons. La planche de Galton Sionregardedeprèslaloibinomiale,onreconnaîticilescoefficientsbinomiauxquand . Sintendversl’infini…quesepasse t‐il ? Laloibinomialetendversunelimitequiestlaloinormale,qu’onpeut montrer en utilisantdesclousetdesbillesetuneplanche Galton . Laloinormale En théorie des probabilités et en statistique, la loi normale est l'une des lois de probabilité les plus adaptées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elle est également appelée loi gaussienne, loi de Gauss ou loi de Laplace‐Gauss des noms de Laplace 1749‐1827 et Gauss 1777‐1855 , deux mathématiciens, astronomes et physiciens qui l'ont étudiée. Plus formellement, c'est une loi de probabilité absolument continue qui dépend de deux paramètres : son espérance, un nombre réel noté μ, et son écart type, un nombre réel positif noté σ. La densité de probabilité de la loi normale est donnée par : La courbe en cloche Si 0et 1, laformulesesimplifieetdevientlaloinormalecentréeréduite. Mais,selon que estdifférentet aussi, La demonstration de ce théorème dépasse le cadre du cours, on peut se contenter du petit film sur la planche de Galton. LaloidePoissonaétéintroduiteen1838parSiméonDenisPoisson 1781–1840 , danssonouvrageRecherchessurlaprobabilitédesjugementsenmatière criminelleetenmatièrecivile. LesujetprincipaldecetouvrageconsisteencertainesvariablesaléatoiresN quidénombrent,entreautreschoses, lenombred'occurrences parfoisappelées«arrivées» quiprennent placependantunlapsdetempsdonné. Quiseformule ainsi : Silenombremoyend'occurrencesdanscetintervalleestλ, alorslaprobabilitéqu'ilexisteexactementk occurrences k étantunentiernaturel,k 0,1,2,... est e labasedeslogarithmes népériens :2,7182818284590452353602874…,et unnombre strictement 0. OnditalorsqueX suitlaloidePoisson deparamètreλ. Ça donne bien une courbe dont lasurfaceest 1mais … Parexemple,siuncertaintyped'évènementsseproduitenmoyenne4foisparminute, pourétudierlenombred'évènementsseproduisantdansunlapsdetempsde10 minutes,onchoisitcommemodèleuneloidePoissondeparamètre 10 4 40. Comme aveclaloi normale,onaces paramètres utiles etessentiels : L’espérance est Lavarianceest également : Donc,l’écart typeest . Autres exemples :Letempsd’arrivée d’unascenceur, Ledomained'applicationdelaloidePoissonaétélongtempslimitéàceluides événementsrarescommelessuicidesd'enfants,lesarrivéesdebateauxdansunportou lesaccidentsdusauxcoupsdepieddechevaldanslesarmées Ladislaus Josephovich Bortkiewicz 1868‐1931 . Mais ons’est apercubien plustard queça pouvait également s’appliquer à Probabilité d’undéfaut depaiement decredit,phénomènes radioactifs,mutations biologiques etleYield Managementpourlescompagniesaériennesquiconsiste àoptimiserleremplissage desavions,chambres d’hotels,etc. Comme toute loi de probabilité discrète, une loi de Poisson peut être représentée par un diagramme en bâtons. Ci-dessous sont représentés les diagrammes en bâtons des lois de Poisson de paramètres 1, 2 et 5. Lorsque le paramètre λ de la loi de Poisson devient grand, (pratiquement lorsqu'il est supérieur à 5), son diagramme en bâton est correctement approché par l'histogramme d'une loi normale d'espérance et de variance égales à λ (l'intervalle de classe étant égal à l'unité). Cette convergence était mise à profit, avant que les moyens informatiques ne se généralisent, pour utiliser la loi normale en lieu et place de la loi de Poisson dans certains tests. Quelques exemples Silaprobabilité d’avoir unboulon défectueux est 0,1,trouver lamoyenne etl’écart typepourlenombre deboulons défectueux surunlotde400boulons ? Onaici : L’écart typeest ∶ 400 0,1 40, ilyaura40boulonsdéfectueuxenmoyenne. 400 · · 36. L’écart typeest élevé,ce quiveut direqu’on peut seretrouver avecplusde100boulons défectueux souvent. Mais pourquoi ? Onsait que selon laloi normale,ici proche decette loi binomial ,que plusde68%descas onaura1· dechaque côté de40,donc entre4et76boulons défectueux,que3 108. 0 148 é 99% . Comment calculer la probabilité liée à une loi normale. Toutd’abord lacourbe delaloi normale Pouravoir laprobabilité il faut trouver selon une tabledelaloi normale . Alors :soit onpeut établir un‘scoreZ’selon lanoteou bien une noteselon le‘scoreZ’. ScoreZou pointsZou unitescentrées réduites sont synonymes. L’important est dedevelopper unminimumderigueurpoureffectuer une statistique uncalcul deprobabilité ,ou bien seservir desonintuitiongéométrique pourinterpreter lerésultat d’uncalcul Pourleproduitdematricesonprocèdecommesuit: Vecteursdeprobabilitéetmatricestochastique , ,…, estunvecteurdeprobabilité Onditqu'unvecteur sisescomposantes sontpositivesounullesetsilasommedeces composantesestégaleà1. Onditqu’unematricecarréeestunematricestochastiquesichacunedes lignesestunvecteurdeprobabilité,sichaqueélémentdecettematriceest positifounuletsilasommedechaqueligneest1. Exemple Onditqu’unematricestochastique estrégulière sitous leséléments sont strictement positifs 0 . SiAest d’ordre m d’une puissancequelconque il yauraauplusm‐1puissances avant quelamatrice nesestabilise. Toutça pouren arriveràceci Quidit matrice detransitiondit aussi graphe detransition Qui se lit, lorsque c’est ensoleillé il y a 90 % de chances que ça le reste le lendemain et 10 % de chance qu’il pleuve. Quand il pleut, il y a 50% de chance que ça le reste le lendemain et 50 % de chances qu’il fasse soleil. En effectuant les puissances, on en vient à la conclusion qu’à la longue, il fait soleil 83,3 % du temps et il pleut 16,67 % du temps. Pour l’exemple du train et voiture : l’ouvrier en vient à prendre le train 1/3 du temps et sa voiture 2/3 du temps. Commentinterpréter lespuissances delamatrice detransition D’ungraphe àune matrice detransition Leretourdupoissonbinomialetnormal Quisedécodecommesuit, 0 109 200 1 65 200 2 22 200 3 3 200 4 1 200 0,545 0,325 0,11 0,015 0,005 DoncE(X)est(calculdel’espérance)=0,61. Autreexemplebinomialement infaisable Sionappliquelaformulepourlaloibinomialeonaura1000000!àévaluer ParcontreaveclaloidePoisson: Aveclaloinormale onal’intervalle 1,1 , 1 0,5 1,5 0,383. Onbasenotre raisonnement surl’Hypothèse :que lanaturedesperformancesdes sauteursseralamêmequecelleobservée. 5) Il y a un estimateur de proportion (on dit aussi indicateur) calculé à partir de N observations, en autant que ce soit une distribution normale. La variance est . p étant la probabilité, p = 0,565. Donc, que l’écart type est . La moyenne étant 0,565, il y a 95 % de chances que le pointage obtenu soit situé entre 0,565 1,96 · 1 1,96 étant en unités centrées réduites sur la courbe de Gauss (loi normale) et qui correspond à 95 % de la surface de la courbe. Il y a 95 % de chances que le nombre de succès soit entre 36 % et 76 %. Traduiten français,lasomme desécarts àlamoyenne théorique aucarré donne unparamètre Tquipermet d’accepter ou derejeter une hypothèse. Ici estlamoyennethéorique. à(j‐1)degrésdeliberté. Sousl’hypothèse nulle, suitasymptotiquement une loi du Mais bien sûr ici onasouslamainune tabledu nouspermettant deconclure. Etlalirecorrectement :ici onavait j=5et 0,05quidonne11,070. Autre exemple :