Maths 4: Probabilit et Statistiques

(2010/2011)

Zendagui

Dr Djawad ZENDAGUI

Maths 4 : Probabilits et Statistiques

Matre de confrences
Dpartement de Gnie Civil - Facult des Sciences de lIngnieurUniversit Aboubekr Belkaid Tlemcen
BP 230 (13000)
Tel/Fax : 043 28 56 85
Email : [email protected]

Sciences et Technologie
2me anne
Semestriel
UEM3 Mthodologie
Dr Djawad ZENDAGUI
45 heures
1h30 /semaine Cours
1h30 /semaine TD
4

Intitul du domaine
Anne
Annuel ou semestriel
Unit denseignement
Charg du module
Volume horaire global

Nombre de crdits

Docteur dEtat en Gnie Civil

Certificate of Graduate Studies in
Engineering and Construction
Management
Magister en Gnie Civil

(2*EMD+CC)/3

Notation

EMD= Epreuve de moyenne dure

CC= Contrle continu=N1+N2+N3+N4+N5
N1, N2 et N3: Notes de 03 interrogations
crites de 10min max sur 04 points chacun
N4: Note de prsence sur 04 points
N5: Note dassiduit sur 04 points

Ingnieur d'Etat en Travaux Publics

Ecole Nationale Polytechnique

dAlger (ENP)
Universit Missouri Rolla
(UMR)

Juillet
2006
Juin
2003

Ecole Nationale Polytechnique

dAlger (ENP)
Ecole Nationale des Travaux
Publics dAlger (ENTP)

Juillet
1996
Juin
1992

Algrie
USA

Algrie
Algrie

Objectifs du cours

Partie A

Introduction gnrale et organisation du cours

Partie B

Traitement statistique de linformation

Le cours a pour but dinitier les tudiants

aux principes de base de la probabilit et statistique.

Chapitre1

Chapitre2 Chapitre 5

Partie C

Traitement probabiliste de linformation

l information
Chapitre6 Chapitre 9

Support pdagogique
Il est mis la disposition des tudiants un support pdagogique
sur papier du cours et des Travaux Dirigs (TD).
Plateforme Elearn de luniversit (elearn.univ-tlemcen.dz).

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Chapitre 1:

Introduction gnrale et organisation du cours

Lincertain est-il notre quotidien????

Chapitre 1

Introduction g
gnrale et organisation
g
du cours

Ce qui est sr, cest que rien nest sr

5

Chapitre 1:

Introduction gnrale et organisation du cours

Chapitre 1:

Probabilit et Statistiques :

Introduction gnrale et organisation du cours

La conception dun systme donn ncessite trois tapes :

Outils au service de lengineering

1. La comprhension du systme : quelle est sa

fonction

Place du cours dans votre futur mtier

2 La modlisation du systme : quel est le modle
2.
dvelopper pour dcrire ce systme avec
lidentification de linput et loutput de ce modle

- Analyse des donnes

- Prdictions
- Simulations (processus stochastiques)
- Dcisions (probabilits doccurrence et risque)
-

3. Le recours aux donnes : lutilisation de donnes

ncessaires pour lutilisation du modle. Ces
donnes sont linput du modle.
7

Chapitre 1:

Introduction gnrale et organisation du cours

Chapitre 1:

Introduction gnrale et organisation du cours

Etape 2
Considrons un exemple trs simple

Essayons maintenant de voir comment modliser ce ressort.

Linput du modle est:
La force agissante, dans notre cas F
Le ou les caractristiques
q
du ressort, dans notre cas K
Loutput du modle est par exemple la dformation du
ressort, dans notre cas X.
Une relation toute simple a t mise en place
(modle mathmatique).

Etape 1
Nul besoin de montrer le fonctionnement dun ressort
dans un systme mcanique (suspension de
voiture,)

Chapitre 1:

F = K .X

X=

Introduction gnrale et organisation du cours

Chapitre 1:

F
K

10

Introduction gnrale et organisation du cours

Pourquoi ?

Etape 3
Donc en se basant sur ce modle mathmatique, il est
possible de connatre la dformation du ressort
connaissant F et K

1. Le premier problme qui se pose est tout

dabord: Est ce que le modle mis en place
est "exact" ?

En fait
fait, il est possible de dire que la connaissance de
loutput (Dformation du ressort) est acquise.

2. Le deuxime problme auquel on est

confront est la validit de linformation de
lInput. En dautres termes peut-on dire avec
certitude dire que les valeurs de F et K sont
exactes et connues

Est-ce vrai ?
NON
11

12

Chapitre 1:

Introduction gnrale et organisation du cours

Chapitre 1:

Introduction gnrale et organisation du cours

Un autre exemple mais celui l est dramatique

13

Un petit exemple

Chapitre 1:

Introduction gnrale et organisation du cours

14

Chapitre 1:

La statistique est un ensemble de mthodes

permettant:

Introduction gnrale et organisation du cours

Les outils de la statistique et de la

probabilit permettent de rpondre
la question suivante:

9de recueillir des donnes brutes;

9de prsenter, rsumer ces donnes;
9de tirer des conclusions sur la population
tudie (sa structure, sa composition), daider
la prise de dcision; en prsence de donnes
dpendant du temps, de faire de la prvision.

Comment dterminer la valeur de

lOutput si lInput et/ou le modle
mathmatique du phnomne tudi ne
sont pas connus

15

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

16

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Partie B
Traitement statistique de linformation
Fin du Chapitre 1
Chapitre 2

Introduction g
gnrale et organisation
g
du cours

Collecte des donnes

17

18

Chapitre 2:

Collecte des donnes

Chapitre 2:

Collecte des donnes

Population ou unit statistique et/ou chantillon

Individu
Caractre
Modalitss
-Population:

Employs dune usine

-Individu:

Un employ de cette usine

-Caractre:

Salaire

-Modalits:

10000DA, 20000DA, 25000DA

-Population:

Ressorts

-Individu:

Un ressort parmi ces ressort

-Caractre:

Rigidit K

-Modalits:

K [10,20] N / m

19

Chapitre 2:

Collecte des donnes

Chapitre 2:

Caractre

On souhaite connaitre ltat des maisons

exprime par
des nombres
(ex: une taille)

Exprime par
une description
naturelle du
langage (ex:
une couleur)

Collecte des donnes

Exemple:

Quantitatif
Qualitatif

20

Choix entre les trois types de caractre

Rel

Discret

21

Chapitre 2:

Collecte des donnes

22

Chapitre 2:

Collecte des donnes

-Population:

Maisons (100)

-Population:

Maisons (100)

-Individu:

Une maison parmi ces 100 maisons

-Individu:

Une maison parmi ces 100 maisons

-Caractre:

Ltat de la maison

-Caractre:

Nombre de pices

-Modalits:

Petite, moyenne, grande

-Modalits:

1, 2, 3, 4, 5

Caractre qualitatif

Caractre quantitatif discret

23

24

Chapitre 2:

Collecte des donnes

Chapitre 2:

-Population:

Maisons (100)

-Individu:

Une maison parmi ces 100 maisons

-Caractre:

Surface (note S)

-Modalits:

S[60, 200] m

Collecte des donnes

Une compagnie achte 10 000 ampoules

lectriques dun fabricant qui affirme que
ses ampoules fonctionnent durant au moins
1 000 heures (1 mois et 11 jours, sans
arrt). Cette compagnie vrifie 15 ampoules
et, suite ces rsultats doit dcider si elle
garde ou non les 10 000 ampoules.
g
p

Identifier la population, lindividu, le

caractre et les modalits

Caractre quantitatif continu

25

Chapitre 2:

Collecte des donnes

26

Chapitre 2:

Une compagnie achte 10 000 ampoules

lectriques dun fabricant qui affirme que
ses ampoules fonctionnent durant au moins
1 000 heures (1 mois et 11 jours, sans
arrt). Cette compagnie vrifie 15 ampoules
et, suite ces rsultats doit dcider si elle
garde ou non les 10 000 ampoules.
Population
p

lensemble des 10 000 ampoules

p
achetes.

chantillon

les 15 ampoules vrifies.

Individu

une ampoule parmi les 15

Caractre

dure de fonctionnement de lampoule

Modalits

Dure en heures

Variable statistique (VS) continue

Chapitre 2:

Population

lensemble des 10 000 ampoules achetes.

les 15 ampoules vrifies.
vrifies

chantillon

Individu

une ampoule parmi les 15

Caractre

ltat de lampoule
la dure de fonctionnement de lampoule

Modalits

Bon ou mauvais
Dure en heures

lensemble des 10 000 ampoules achetes.

chantillon

les 15 ampoules vrifies.

Individu

une ampoule parmi les 15

C
Caractre

lt t de
ltat
d llampoule
l

Modalits

Bon ou mauvais

27

28

Chapitre 2:

Un mme individu peut il avoir

plusieurs caractres????
Oui
:

Caractre qualitatif

Collecte des donnes

Population

Collecte des donnes

Collecte des donnes

Par rapport un caractre un individu

peut il avoir plusieurs modalits????

Non

29

30

Chapitre 2:

Collecte des donnes

Chapitre 2:

Collecte des donnes

Les notes des tudiants

Classification des donnes

8,75 6,00 3,75 11,25 11,50 7,00

11,75 8,75 16,25 12,00 10,50 15,25
12,50 4,00 16,00 7,50 9,00 11,00
5,50 9,00 9,25 0,00 8,75 10,75
15,25 11,50 10,75 5,25 11,50 9,25
10,50 11,00 4,75 13,25 11,50 12,00
9 00 9,50
9,00
9 50 13
13,25
25 15,25
15 25 8,00
8 00 12,25
12 25
14,75 15,50 10,50 10,25 13,50 9,50
6,50 1,25 14,75 16,50 11,75 5,75
6,50 2,00 14,00 13,50 11,00 10,75
6,50 7,00 8,75 7,75 16,75 11,50

Visualisation graphique
Quantification l'aide de paramtres
statistiques

11,75
12,50
13,50
6,50
9,75
12,00
10 75
10,75
5,00
4,50
9,50
8,50

10,50
11,00
8,00
7,00
9,75
12,00
7 25
7,25
5,50
7,50
0,00
10,25

5,00 6,75 7,50

9,50 7,75 8,50
13,00 10,75 12,75
12,00 7,00 9,50
14,75 6,00 15,25
9,00 4,25 7,00
9 50 7,50
9,50
7 50 10,25
10 25
9,50 5,50 5,75
16,25 6,50 17,75
15,50 10,75 4,50
12,75 10,00 2,75

31

Chapitre 2:

Collecte des donnes

Chapitre 2:

Les notes des tudiants

8,75 6,00 3,75 11,25 11,50 7,00
11,75 8,75 16,25 12,00 10,50 15,25
12,50 4,00 16,00 7,50 9,00 11,00
5,50 9,00 9,25 0,00 8,75 10,75
15,25 11,50 10,75 5,25 11,50 9,25
10,50 11,00 4,75 13,25 11,50 12,00
9 00 9,50
9,00
9 50 13
13,25
25 15,25
15 25 8,00
8 00 12,25
12 25
14,75 15,50 10,50 10,25 13,50 9,50
6,50 1,25 14,75 16,50 11,75 5,75
6,50 2,00 14,00 13,50 11,00 10,75
6,50 7,00 8,75 7,75 16,75 11,50
Population
Individu
Caractre
Modalits

Chapitre 2:

:
:
:
:

11,75
12,50
13,50
6,50
9,75
12,00
10 75
10,75
5,00
4,50
9,50
8,50

10,50
11,00
8,00
7,00
9,75
12,00
7 25
7,25
5,50
7,50
0,00
10,25

5,00 6,75 7,50

9,50 7,75 8,50
13,00 10,75 12,75
12,00 7,00 9,50
14,75 6,00 15,25
9,00 4,25 7,00
9 50 7,50
9,50
7 50 10,25
10 25
9,50 5,50 5,75
16,25 6,50 17,75
15,50 10,75 4,50
12,75 10,00 2,75

lensemble des tudiants (121)

un tudiant parmi les 121.
la note de lexamen
les valeurs de la note [0,20]

32

Collecte des donnes

Soit P une population forme de n

individus (xi, i=1,..n).
Soit C un caractre ayant k modalits c1,
c2,,ck . Ce caractre peut tre
qualitative quantitative (discret ou
qualitative,
continu)
Remarquez que nk
Pourquoi????

33

Collecte des donnes

34

Chapitre 2:

Collecte des donnes

Le rsultat obtenu est la srie statistique

La collecte de linformation relative au

caractre C auprs de la population P
consiste
i t observer
b
pour chaque
h
individu de P la modalit qui lui
correspond.

35

Lindividu n1 identifi par x1 prsente une modalit

parmi les k modalits (avec par exemple k=10). Les
autres individus vont avoir les modalits suivantes:
x1 = c3
x2 = c10
x3 = c3
.
.
.
xn = c8

36

Chapitre 2:

Collecte des donnes

Chapitre 2:

Le traitement de cette information lmentaire

consiste dnombrer pour chaque modalit
cj, le nombre dindividus de la population P nj
qui prsentent cette modalit.

Collecte des donnes

Notion de frquence
Le nombre nj est dit effectif ou frquence
absolue de la modalit ci. Il est clair que :
j =k

n = nj

La di
L
distribution
ib i statistique
i i
est d
donc fforme
par
les couples

(c , n )
j

Le nombre fj est dit frquence de la

modalit cj.
j =k

j = 1,2,..., k
37

Chapitre 2:

Collecte des donnes

Quantitatif
Exprime par
une
description
naturelle du
langage (ex:
une couleur)

j =1

=1
38

Collecte des donnes

Jours du mois de Janvier

Population

Climat

Caractre

Ensoleill, pluvieux, orageux

Modalit

exprime par
des nombres
(ex: une taille)

n=31.
k=3 modalits
c1=Ensoleill
c2=Pluvieux
c3=Orageux

Rel

Discret

k modalits c1, c2,,ck

Chapitre 2:

Chapitre 2:

Caractre ou variable statistique

Qualitatif

j =1

Remarquez que nk

39

Collecte des donnes

Chapitre 2:

41

Srie statistique

Tableau statistique

40

Collecte des donnes

42

Chapitre 2:

Collecte des donnes

Chapitre 2:

Les 10 sismes recenss durant une anne au

niveau dune rgion
Population
Intensit

Caractre

Intensit I XII

Modalit

Collecte des donnes

Srie statistique

n=10.
k=12 modalits
c1=1
c2=2
c12=12

43

Chapitre 2:

Collecte des donnes

44

Chapitre 2:

Collecte des donnes

Les 10 sismes recenss durant une anne au

niveau dune rgion
Population
Magnitude de Richter
Caractre
Valeur de la Magnitude
Modalit
L valeurs
Les
l
de
d la
l magnitude
it d sontt rels
l
n=10.
k=????
Comment construire le tableau statistique???
Tableau statistique

Chapitre 2:

45

Collecte des donnes

46

Chapitre 2:

Collecte des donnes

Srie statistique

Du moment que le caractre

est quantitatif continu alors
llide
ide consiste tablir des
classes et ce pour mettre en
place le tableau statistique
47

48

Chapitre 2:

Collecte des donnes

Chapitre 2:

Collecte des donnes

Est-ce quil y a un seul tableau statistique ?

NON
49

Chapitre 2:

Collecte des donnes

50

Chapitre 2:

Collecte des donnes

Donc
Pour un pas de 1 on a 7 classes
Pour un pas de 1.5 on a 5 classes
Pour un pas de 3 on a 3 classes
Questions :
Est-ce que le choix du pas a une importance dans le
traitement des donnes ?
Quel pas choisir ? Cette question peut tre pose
autrement
Quel est le nombre de classes que lon doit choisir
51

Chapitre 2:

Collecte des donnes

52

Chapitre 2:

Collecte des donnes

Soit k le nombre de classes

k = 2.54 n

k (Sturge)
k (Yule)-k (Sturge)

2
10 0
1
0
0

-1
0

53

Nbre classe (Yule)-Nb

bre classe (Sturge)

YULE

k = 1+ 3.3 log10 (n )

k (Yule)

Nombre de
e classes

STURGE

20

400

800

Nombre d'individus

1200
54

Chapitre 2:

Collecte des donnes

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

k = 1 + 3.3 log10 (10 ) = 4.3

Fin du Chapitre 2

k =5

Collecte des donnes

55

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

56

Chapitre 3:

Distribution statistique un caractre

Chapitre 3
Distribution statistique un caractre

Classification des donnes

3.1 Description graphique

Visualisation graphique

3.2 Description numrique

3.2.1 Caractristique de tendance centrale

Quantification l'aide de paramtres

statistiques

3.2.2 Caractristique de dispersion

3.3 Caractristiques de formes

57

Chapitre 3:

Distribution statistique un caractre

3.1

Description graphique

3.1.1

Variable quantitative continue

58

Chapitre 3:

Distribution statistique un caractre

Histogramme

Longueur (m)

10,00
9,00
8,00

La srie statistique

7,00
6,00
5,00
4,00
3,00
2,00
1,00
0,00
1

10

11

12

13

14

15

Poutre

Exploitation difficile
59

60

10

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Histogramme

Histogramme
12

10,00
9,00

10
8

Lo
ongueur (m)

7,00
6,00
5,00
,
4,00

6
4

3,00

2
0

1,00

1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
201
211
221
231
241
251
261
271
281
291
301
311
321
331
341
351
361
371
381
391
401
411
421
431
441
451
461
471
481
491
501
511
521
531
541
551
561
571
581
591

2,00

Poutre
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62

0,00

Avec un nombre dindividu qui avoisine les 600 individus, lexploitation

Poutre

LExploitation devient plus difficile si le nombre dindividu augmente

Chapitre 3:

devient pratiquement impossible

61

Dans le prsent cas de 15 62

62

Distribution statistique un caractre

Chapitre 3:

k (Yule)-k (Sturge)

2
10
1
0
0

Distribution statistique un caractre

7
6
5
4
3
2
1
0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

k (Sturge)

Nombre
e de classes

k (Yule)

Nbre classe (Yule)-Nb

bre classe (Sturge)

20

Nombre de
e classes

Longu
ueur (m)

8,00

Nombre d'individu

-1
0

400

800

Nombre d'individus

1200
63

Chapitre 3:

Distribution statistique un caractre

tablissement du tableau (ou

distribution) statistique

64

Chapitre 3:

Distribution statistique un caractre

n = 15

k = 1 + 3.3 log10 (15)

= 4.88
k =5

Pas =

P =
Pas

Vmax = 8.9 m

Vmax Vmin
k

8.9 1.5
= 1.48 m
5

Pas = 1.50 m

Vmin = 1.50 m
65

66

11

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

0.4
0.4

Frquence

0.3

0.2

0.2

0.2

0.133
0.1

0.07
.

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

X (m)

6.0

6.5

7.0

7.5

8.0

8.5

9.0

67

Chapitre 3:

Distribution statistique un caractre

68

Chapitre 3:

Distribution statistique un caractre

69

Chapitre 3:

Distribution statistique un caractre

70

Chapitre 3:

71

9.5

Distribution statistique un caractre

72

12

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Fr
quence

Symtrique

Modalit

73

Chapitre 3:

Distribution statistique un caractre

74

Chapitre 3:

Asymtrique

Distribution statistique un caractre

Fr
quence

Fr
quence

Tendance gauche

Modalit

Modalit

75

Chapitre 3:

Distribution statistique un caractre

76

Chapitre 3:

Fr
quence

Fr
quence

Tendance droite

Modalit

Distribution statistique un caractre

Tendance unimodale

Modalit

77

78

13

Distribution statistique un caractre

Chapitre 3:

Aplatie

Fr
quence

Fr
quence

Chapitre 3:

Modalit

Distribution statistique un caractre

Uniforme

Modalit

79

Chapitre 3:

Distribution statistique un caractre

80

Chapitre 3:

Quel est le nombre dindividus ayant

une valeur (modalit) infrieure une
certaine valeur (par exemple 6)

Distribution statistique un caractre

Il suffit pour cela de sommer le nombre de sismes

dont la magnitude est infrieure 6.
Ce nombre divis p
par le nombre dindividus de la
population sappelle Frquence cumule.

Fonction cumulative
81

Chapitre 3:

Distribution statistique un caractre

82

Chapitre 3:

Pour chaque valeur, il existe une

frquence cumule.

Distribution statistique un caractre

Le trac des couples (valeur,frquence cumule)

donne ce quon appelle la Fonction cumulative.
83

84

14

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Question :
Dterminer le nombre de sismes dont la magnitude
est infrieure 4.5.

Dterminer le nombre de sismes dont la magnitude

est infrieure 6.0.

8 sur 10
soit 0.80 ou
80%

5 sur 10
soit 0.50 ou
50%

85

Chapitre 3:

Distribution statistique un caractre

86

Chapitre 3:

Distribution statistique un caractre

Question :
Dterminer le nombre de sismes dont la magnitude
est infrieure 5.0.

7 sur 10
soit 0.70 ou
70%

Soit 0.60 ou 60%

7 sur 10 soit
0.70 ou 70%

87

Chapitre 3:

Distribution statistique un caractre

3.1

Description graphique

3.1.2

Variable quantitative discrte

88

Chapitre 3:

Distribution statistique un caractre

La distribution statistique

La srie statistique

89

90

15

Chapitre 3:

Intensit
(Modalit)

Effectif

Frquence
de la modalit

Frquence
cumule

0.1

0.1

0.2

0.3

0.3

0.1

0.4

02
0.2

06
0.6

0.2

0.8

0.1

0.9

0.1

10

11

12

10

0
6

10

11

12

Reprsentation par btonnet

91

Chapitre 3:

0.6

0.50

0.4

04
0.4
0.30

0.3

0.3

0.1

0.0

Intensit

93

Chapitre 3:

Distribution statistique un caractre

3.1

Description graphique

3.1.3

Variable qualitative

Fonction cumulative

0.70

0.10

0.8

0.6

0.2

0.9

0.90

0.8

Ce nombre divis par le nombre dindividus de la

population sappelle Frquence cumule.

1.0

Le nombre de sismes dont lintensit est infrieure

5.

Distribution statistique un caractre

Distribution statistique un caractre

Frquen
nce cumule

Chapitre 3:

92

12

11

Intensit du sisme (Modalit)

10

Effe
ectif

Distribution statistique un caractre

Distribution statistique un caractre

Chapitre 3:

94

Chapitre 3:

Distribution statistique un caractre

Ensoleill
9
29%
Pluvieux
15
48%

Orageux
7
23%

Reprsentation par diagramme

Reprsentation Diagrammes circulaires

95

96

16

Chapitre 2:

Collecte des donnes

Chapitre 3:

Distribution statistique un caractre

Les notes des tudiants

40
35
30
25

Est-ce la description
graphique est suffisante ?

20
15
10
5
0
1.25

3.75

6.25

8.75

11.25

13.75

16.25

18.75

97

Chapitre 3:

Distribution statistique un caractre

98

Chapitre 3:

Distribution statistique un caractre

3.2 Description numrique

3.2.1 Caractristique de tendance centrale

Exemple: X=F/K

Les modles mathmatiques

ncessitent lintroduction
dune valeur et non
lapprciation sur la variation
des modalits

F: Force (mesure en Newton) et K: Raideur: Connue=10 N/cm

F: Force (mesure en Newton)

10 10.3 22.1 23 26 15.2 12.3 18 18.3 14.5

99

Chapitre 3:

Distribution statistique un caractre

100

Chapitre 3:

Distribution statistique un caractre

k = 1 + 3.3 log10 (10 ) = 4.33

n = 10
Force
Individus (Modalit) N
1

10

10.3

22.1

23

26

15.2

12.3

18

18.3

10

14.5

k =5

Vmin = 10 N
Vmax = 26 N
26 10
= 3 .2 N
5
Pas = 4 N

Pas =

101

102

17

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

40
35

Frque
ence (%)

30
25
20
15
10
5
0
10

12

14

16

18

20

22

24

26

28

30

Force (N)
103

Chapitre 3:

Distribution statistique un caractre

104

Chapitre 3:

Distribution statistique un caractre

10 valeurs de F sont observes.

Que recherche le concepteur
Question:
Rduire un ensemble de donnes
Conserver une partie de l'information

Quelle valeur de F doit-on

utiliser dans lquation
l quation
X=F/K

Rsumer l'ensemble des valeurs par

une seule valeur
Parfois cest difficile accepter

La plus petite ?
La plus grande?
La plus significative
105

Chapitre 3:

Distribution statistique un caractre

106

Chapitre 3:

Distribution statistique un caractre

Caractristique de tendance centrale

(paramtres de position)
Choisir
Srie statistique
q
Tableau statistique
1. Mode
2. Mdiane

Caractristique de tendance centrale

3. Moyenne (s)

Elle dcrit lordre de grandeur des valeurs et aussi la valeur

centrale autour de laquelle se regroupent les observations.

4. Quantile
107

108

18

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Variable qualitative

Mode

Le mode, not Mo, est la modalit qui admet la plus grande frquence :

Il est parfaitement dfini pour une variable qualitative ou une variable

quantitative discrte.

Pour une variable quantitative continue nous parlons de classe modale : c'est
la classe dont la densit de frquence est maximum.
Mo= Pluvieux
109

Chapitre 3:

Distribution statistique un caractre

110

Chapitre 3:

Variable quantitative discrte

Distribution statistique un caractre

Variable quantitative continue

40.00

0.4

35.00

Frquence

Frrquence (%)

0.3

0.3

30.00
25.00
20.00
15.00

0.2

0.2

0.2
0.15

0.15
01
0.1

10.00
0.0

5.00

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter

0.00
0

Nombre de pices dans une maison

Milieu de la classe dont la frquence est la plus grande

Mo=6.75

Mo=3 pices
111

Chapitre 3:

Distribution statistique un caractre

112

Chapitre 3:

Variable quantitative continue

0.4

0.4

0.3

0.2

0.2

0.3

0.3

Frquence

0.3

Frquence

Distribution statistique un caractre

Variable quantitative continue

0.2

0.15

0.15

01
0.1

0.2

0.2

0.2

0.15

0.15

01
0.1

0.0

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

1.5

Magnitude de Richter

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter

Milieu de la classe dont la frquence est la plus grande

Mo=6.75

Milieu de la classe dont la frquence est la plus grande

Mo=6.75

113

114

19

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Variable quantitative continue

Distribution statistique un caractre

40
35

0.4

Frquence

Frquence (%)

30

0.3

0.3

0.25

0.25

25
20
15
10

0.2

5
0

0.1

01
0.1

0.1

10

12

14

16

18

20

F
Force
(N)

22

24

26

28

40

30

35

Frquence (%)

30

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter

25
20
15
10

Mo=6.75

Mode

5
0

Le mme rsultat a t obtenu

pourtant les deux distributions ne sont pas identiques

10

12

14

16

18

20

22

24

26

28

Chapitre 3:

30

Force (N)

115

Distribution statistique un caractre

116

Chapitre 3:

Distribution statistique un caractre

0.4

0.3

Frquence

0.3

0.2

0.2

0.2
0.15

0.15
01
0.1

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter

117

Chapitre 3:

Distribution statistique un caractre

118

Chapitre 3:

Distribution statistique un caractre

Mode

40
0.4

35

0.3
0.25

30

Frquence (%)

Frquence

0.3

0.25

0.2

0.1

01
0.1

0.1

25
20
15
10
5

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter

10

12

14

16

18

20

Force (N)

22

24

26

28

30

F=12 N
119

X=12/10=1.2cm

120

20

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Mdiane

Distribution statistique un caractre

Quantitative discret

La mdiane Me est telle que l'effectif

des observations dont les modalits
sont infrieures Me est gal l'effectif
des observations dont les modalits
sont suprieures Me.
Utilise la notion de fonction cumulative

121

Chapitre 3:

Distribution statistique un caractre

122

Chapitre 3:

Distribution statistique un caractre

Frquence (%)

Quantitative continue

100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

100
90
70
50
30

0
10

12

14

16

18

20

Force (N)

22

24

26

28

30

F=18 N

X=18/10=1.8cm

123

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Frquence (%)

Mdiane
Avantage:
simple calculer
Prend en compte
p une p
partie des valeurs

Inconvnient:
ne tient pas compte de la distribution des modalits suprieures la mdiane

100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

100
90
70
50
30

0
10

125

124

12

14

16

18

20

Force (N)

22

24

26

28

30

126

21

Distribution statistique un caractre

Frquence (%)

Chapitre 3:

100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
5
0

Chapitre 3:

Distribution statistique un caractre

Valeur de tendance centrale

100

Mdiane=18 N
Mode=12
Mode
12 Nm

70
60
50
30

0
10

12

14

16

18

20

Force (N)

22

24

26

28

30

127

Chapitre 3:

Distribution statistique un caractre

128

Chapitre 3:

Distribution statistique un caractre

Quantile

Quantile
Le quantile est la valeur P qui
laisse % des observations endessous
et
(1)%
des
observations
obse
at o s au
au-dessus
dessus d
delle.
e e

Les deux quartiles les plus

importants sont P25 (qui laisse 25 %
des observations en-dessous) et P75.

P
129

Chapitre 3:

Distribution statistique un caractre

130

Chapitre 3:

Moyenne (s)

Distribution statistique un caractre

Moyenne arithmtique dite par abrviation MOYENNE

Individus

La moyenne ne se dfinit que

pour une variable statistique
p
q quantitative.
q

131

Force
(Modalit) N

10

10.3

22.1

23

26

15.2

12.3

18

18.3

10

14.5

10

Fi

10 1

= Fi
10 i =1 10
= 16.97 N

F=

i =1

132

22

Chapitre 3:

Distribution statistique un caractre

Limites des classes (N)

j =1
j=2
j =3
j=4
j =5

fj

Chapitre 3:

Distribution statistique un caractre

f j Fj

Limite inf

Limite sup

j
Centre
de classe (N)

Effectif

Frquence (%)

10

14

12

30

3.6

14

18

16

20

3.2

18

22

20

20

22

26

24

20

4.8

26

30

28

10

2.8

Srie statistique:

Moyenne arithmtique=16.97 N

q
Tableau statistique:

Moyenne
y
arithmtique=18.40
q
N

DIFFERENCE ?????????????
5

F = f j Fj
j =1

= (3.6 + 3.2 + 4 + 4.8 + 2.8)

= 18.4 N

133

Chapitre 3:

Distribution statistique un caractre

134

Chapitre 3:

Distribution statistique un caractre

Valeur de tendance centrale

Existe-t-il une seule moyenne

R
FR = f j (F j )
j =1
j =k

F = 18.4 N

F = 16.97 N

Chapitre 3:

136

Chapitre 3:

R=1---- Moyenne arithmtique

Distribution statistique un caractre

R=0---- Moyenne gomtrique

1
1

135

Distribution statistique un caractre

j =k
1
F1 = f j (F j )
j =1
j=k
F1 = f j F j
j =1

1
R

0
F0 = f j (F j )
j =1
j =k

1
0

j =k

log(F0 ) = f j log(F j )
137

j =1

138

23

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

R=-1---- Moyenne harmonique

j =k
1
F1 = f j (F j )
j =1

F1 =

R=2---- Moyenne quadratique

1
1

1
fj

j =1
F j
j =k

18.40

14.06

[ f (F ) ]
2

j =1

Chapitre 3:

Distribution statistique un caractre

Dmontrer que

j =k

[ f (F

20.26

j =1

18.00

j =k

F) =0

j =1

j =k

= f j (F j a )

Chapitre 3:

R=-2

R=-1

Moyenne

R=0

R=1

R=2

R=3

Mode

Mdiane

(a ) = f j (F j F ) + (F a )

15 02
15.02
12.00

R=-3

140

Etude comparative entres les moyennes et la moyenne relle obtenue

directement du tableau brut

17.29

139

Quelle moyenne choisir????

16.97

1
2

j =k

F2 =

Distribution statistique un caractre

19.39

2
F2 = f j (F j )
j =1
j =k

Chapitre 3:

16.13

Distribution statistique un caractre

j =1

141

Distribution statistique un caractre

Chapitre 3:

]
142

Distribution statistique un caractre

On souhaite donner un prix:

Meilleur classe

Est-ce la rduction dun ensemble de

valeurs un seule valeur est une tape
suffisante

Critre de classement: Moyenne

Rduire un ensemble de donnes
Pour faire simple, on suppose que deux
classes sont candidates pour ce prix et
que chacune des deux classes est
compose de 10 lves

Conserver une partie de l'information

143

144

24

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Question
Est-ce que les caractristiques de tendance centrale sont suffisantes pour
identifier une valeur de F utiliser

12 13 08 07 11 09 10,5 9,5 10 10

Tableau n1

CLASSE A-

17 13 03 07 19 18 01

Distribution statistique un caractre

02 16 04

Tableau n2
n 2

CLASSE BLes deux tableaux prsentent la mme moyenne

arithmtique=16.97 N

MOYENNE=10
Qui mrite de recevoir le prix? ???
145

Chapitre 3:

Distribution statistique un caractre

146

Chapitre 3:

Distribution statistique un caractre

3.2 Description numrique

Question: Est-ce que les deux tableaux sont identiques

3.2.2 Caractristique de dispersion

Caractristique de dispersion
Choisir

Trouver une valeur qui reflte

Srie statistique

au mieux

q
Tableau statistique

La dispersion des valeurs de notre chantillon

1. Etendue
2. Lintervalle inter-quartiles

Valeur de dispersion

3. Ecart moyen
4. Ecart type
147

Chapitre 3:

Distribution statistique un caractre

148

Chapitre 3:

Distribution statistique un caractre

Caractristiques de dispersion

Tableau n1

Mesurer la diffrence qui existe entre

la valeur max et min
ETENDUE
Tableau n1

35
30
25
20

ETENDUE=20.35-11.2=9.15 N

15

Tableau n2

10
5

Tableau 2

Tableau 1

Moyenne

ETENDUE=26-10=16.0 N

Tableau n2
149

150

25

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Caractristiques de dispersion

Distribution statistique un caractre

Tableau n1
Moyenne= 16.97 N et ETENDUE=20.35-11.2=9.15 N

ETENDUE (Tableau 1)= 9.15 N

ETENDUE (Tableau 2)= 16.0 N

Tableau n2
ETENDUE (Tableau 2)>ETENDUE (Tableau 1)
Moyenne= 16.97 N et ETENDUE=26-10=16.0 N

Cest logique mais attention

cette valeur peut vous fausser
linterprtation car elle se base
sur les valeurs extrmes

Tableau n3
Moyenne= 16.97 N et ETENDUE=26-10=16.0 N
151

Chapitre 3:

Distribution statistique un caractre

Tableau n1

152

Chapitre 3:

Moyenne= 16.97 N et ETENDUE=20.35-11.2=9.15 N

Distribution statistique un caractre

Tableau n2

35

35

30

30

25

25

20

20

15

15

10

10

Moyenne= 16.97 N et ETENDUE=26-10=16.0 N

153

Chapitre 3:

Distribution statistique un caractre

Tableau n3

154

Chapitre 3:

Distribution statistique un caractre

Moyenne= 16.97 N et ETENDUE=26-10=16.0 N

35
Tableau 1

35

30

30

Tableau 2
Tableau 3

25

25

20

20

15
10

15

10
5
155

156

26

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Caractristiques de dispersion

Mesurer la dispersion des valeurs par rapport la moyenne

Estimer la diffrence entre

les valeurs observes
Et
15

30

45

60

75

90

P75=80

P25=37.5

Frquence
e

1.00
0.95
0.90
0.85
0.80
0.75
0.70
0.65
0.60
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00

Caractristiques de dispersion

H = P75 P25

Lintervalle inter-quartiles

Distribution statistique un caractre

Chapitre 3:

105

120

135

150

la moyenne

157

Distribution statistique un caractre

Chapitre 3:

158

Distribution statistique un caractre

Valeur de dispersion
Cette valeur DOIT tre trs petite

35
30
25
20
F = 16,97

V = (F1 F ) + (F2 F ) + ... + (F10 F )

10

15

V = (F1 + F2 + ... + F10 10 F )

F10=14,50

10

F1=10

F1 F

V = (10 F 10 F ) = 0

F5 F
159

Chapitre 3:

Distribution statistique un caractre

160

Chapitre 3:

Distribution statistique un caractre

Valeur de dispersion

Valeur de dispersion
Cette valeur DOIT tre trs petite

V = F1 F + F2 F + ... + F10 F

V = (F1 F ) + (F2 F ) + ... + (F10 F ) = 0

Cette valeur permet destimer la diffrence

Or cette valeur est en fait nulle et ne peut donc mesurer la
dispersion
La valeur absolue est une fonction mathmatique
difficilement drivable
Autre mthode

161

162

27

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Valeur de dispersion

Valeur de dispersion

V = (F1 F ) + (F2 F ) + ... + (F10 F )

2

Mesurer la dispersion des valeurs par rapport la moyenne

V = (Fi F ) et R pair
10

Cette valeur est toujours positif et permet destimer la

diffrence entre les valeurs observes et leur moyenne

i =1

163

Chapitre 3:

164

Distribution statistique un caractre

Srie statistique

Chapitre 3:

Distribution statistique un caractre

Srie statistique

Tableau statistique

Moyenne

Variance
j =k

F = f j Fj

Fi
i =1 n

F =

( F )

j =1

cart moyen

= [f
j =k

EM F = Fi F
i =1 n

10

Tableau statistique

EM F

j =1

(Fi F )2
=

i =1
n

F F ]

( F )2 = [ f j (F j F )2 ]
j =k

j =1

Ecart type

165

Chapitre 3:

166

Distribution statistique un caractre

Srie statistique

Chapitre 3:

Distribution statistique un caractre

Tableau statistique

Exercice: Dterminer lEcart Moyen et lEcart type

Diffrence dordre R
Limites des classes (N)

i =n 1
R
VR = (Fi F )

i =1 n

1
R

j =k
R
VR = f j (F j F )
j =1

167

1
R

Limite inf

Limite sup

Centre
de classe (N)

Effectif

Frquence (%)

10

14

12

30

14

18

16

20

18

22

20

20

22

26

24

20

26

30

28

10
168

28

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

169

Chapitre 3:

Distribution statistique un caractre

170

Chapitre 3:

Distribution statistique un caractre

171

Chapitre 3:

Distribution statistique un caractre

172

Chapitre 3:

Distribution statistique un caractre

j =k

V = f j F j F = 4 .8 N
j =1

j =k

[ f (F
j =1

F) =0

Ecart Moyen= 4.8 N

173

174

29

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

175

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

( )

j =k

Distribution statistique un caractre

3.3 Caractristiques de formes

Tableau n1

176

1. Coefficient de variation

= f j (F j F ) = 6.28 N
2

2. Coefficient de symtrie
3. Coefficient daplatissement

j =1

Tableau n2
n 2

( )

j =k

Coefficient de variation (not CV)=Ecart type / Moyenne

= f j (F j F ) = 29.44 N
2

j =1

177

Chapitre 3:

Distribution statistique un caractre

178

Chapitre 3:

Distribution statistique un caractre

Coefficient de symtrie (Cfficient of Skewness)

1 (Fi F )
=
( F )3
i =1 n

i =n

j =k

= fj
j =1

179

(F

F)

( F )3

180

30

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Distribution statistique un caractre

Coefficient daplatissement (Cfficient of Kurtosis)

gnralement compar la valeur de 3 qui est celui de la distribution

Coefficient de symtrie (Cfficient of Skewness)

1 (Fi F )
=
( F )4
i =1 n

i =n

j =k

= fj

(F

F)

( F )4

j =1

182

181

Chapitre 3:

Distribution statistique un caractre

Chapitre 3:

Coefficient daplatissement (Cfficient of Kurtosis)

gnralement compar la valeur de 3 qui celle dune distribution normale

Distribution statistique un caractre

Exemple:

3 = 0,5 < 0
183

Chapitre 3:

Distribution statistique un caractre

184

Chapitre 2:

Collecte des donnes

Les notes des tudiants

Exemple: La distribution normale est symtrique

40
35
30
25
20
15
10
5
0

3 = 2 > 0

1.25

185

3.75

6.25

8.75

11.25

13.75

16.25

18.75

186

31

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Chapitre 4
Distribution statistique deux caractres
Fin du Chapitre 3
Distribution statistique un caractre

4.1 Introduction
3.1 Description graphique

4.2 Description numrique

3.2 Description numrique

4.3 Principe de la mthode des moindres carres "Least Square method

3.2.1 Caractristique de tendance centrale

4.4 Covariance

3.2.2 Caractristique de dispersion

3.3 Caractristiques de formes

187

Chapitre 4:

Distribution statistique deux caractres

188

Chapitre 4:

Distribution statistique deux caractres

4.1 Introduction

Caractre ou variable statistique

Un mme individu peut il avoir plusieurs caractres????

Oui
Quantitatif
Qualitatif

exprime par
des nombres
(ex: une taille)

Exprime par
une
description
naturelle du
langage (ex:

Individu

Maison

Caractre 1

Surface habitable (note X)

Caractre 2

Surface non habitable ((note Y))

Surface non habitable: Le jardin et autres

Rel

Discret

une couleur)

Ce qui est recherch cest

k modalits c1, c2,,ck

Chapitre 4:

De possibles relations entre le caractre 1 et le

caractre 2.

189

Distribution statistique deux caractres

Chapitre 4:

190

Distribution statistique deux caractres

80

Maison X (m) Y (m)

200,1

75,3

121,3

41,2

160,7

40,2

112,3

13,2

65
60
55

Y (m)

75
70

50
45
40
35

190

12

120,5

40

160

60

25

185

25

20

126,3

32,1

10

142,8

35,3

30

15
10
110

120

130

140

150

160

170

180

190

200

210

X (m)

191

192

32

Chapitre 4:

Distribution statistique deux caractres

200.1

La distribution des valeurs (X et Y)

75

75.3

60

160

70
65

185

35.3
32.1

30

15 13.2
110

120

130

140

150

160

X (m)

170

180

35.3

32.1
41.2
40

13.2

30

12

10

160
160.7

35

190

20

45
40

25

112.3

25

40.2
60

142.8

160.7
40.2

50

126.3

35

Y (m)

41.2
41
2
40

40

142.8
1

120.5
121.3
126..3

45

25

120.5
121.3

60

55
50

75.3
12

55

112.3

60

Y (m)

Voil ce que prvoit les codes de lurbanisme

(Y=0.30*X)

65

185

80

200.1

Distribution statistique deux caractres

190

Chapitre 4:

190

200

110

210

120

130

140

150

160

X (m)

170

180

190

200

210

193

Chapitre 4:

Distribution statistique deux caractres

194

Chapitre 4:

Distribution statistique deux caractres

4.2 Description numrique

Tableau statistique

Individu

x1

y1

2
..
.

x2
..
.

y2
..
.

e
..
.
n

xe
..
.
xn

ye
..
.
yn

Classe Y
(1)
[CY1, CY2[

Classe X

Y1

Yj

YK

(1)

[CX1, CX2[
.
.
.

X1

n11

n1j

n1k

(i)

[CXi, CXi+1[
.
.
.

Xi

ni1

nij

nik

[CXm, CXm+1[

Xm

nm1

nmj

nmk

(m)

Il est possible de passer de la srie statistique vers le

tableau statistique

n11: lensemble des individus ayant la modalit X1 de X et Y1 de Y

i =m j =k

n = nij

Comment?

i =1 j =1

195

Chapitre 4:

Distribution statistique deux caractres

Chapitre 4:

Classe Y
(1)
[CY1, CY2[

(k)
(j)
... [CYj, CYj+1[ [CYk, CYk+1[

Y1

Yj

YK

(1)

[CX1, CX2[
.
.
.

X1

f11

f1j

f1k

(i)

[CXi, CXi+1[
.
.
.

Xi

fi1

fij

fik

[CXm, CXm+1[

Xm

fm1

fmj

fmk

(m)

e= n

X=

e =1

f11: Frquence des individus ayant la modalit x1 de X et y1 de Y

f ij =

X =

nij
n

197

196

Distribution statistique deux caractres

Tableau statistique

Classe X

(k)
(j)
... [CYj, CYj+1[ [CYk, CYk+1[

xn
n

Individu

x1

y1

2
..
.

x2
..
.

y2
..
.

e
..
.
n

xe
...
xn

ye
...
yn
e=n

Y =

e =1

2
1
xi X
e =1 n

e=n

Y =

yn
n

2
1
yi Y
e =1 n

e= n

198

33

Chapitre 4:

Distribution statistique deux caractres

Chapitre 4:

Distribution statistique deux caractres

Frquence marginale
Y1
X1

Yj

YK

f11

f1j

f1k

f1.

fi1

fij

fik

fj.

fm1

fmj

fmk

fm.

f.1

f.j

f.k

.
.
.
Xi
..
.
Xm

Frquence conditionnelle
Rpond la question suivante:

Quelle la frquence des individus ayant la modalit x1

de X sachant que Y=y1

i =m

f.1 = f i1

f.1: Frquence des individus ayant la modalit y1 de Y

i =1

199

Chapitre 4:

Distribution statistique deux caractres

Y1
X1

f11

Yj

YK

f1j

f1k

.
.
.
Xi

fi1

fij

fik

..
.
Xm

fm1

fmj

fmk

f.1

f.j

f.k

200

Chapitre 4:

Distribution statistique deux caractres

Y1

f1.

X1

f11

.
.
.

fj.

Xi

fi1

..
.

fm.

Xm

fm1

f.1

201

Chapitre 4:

Distribution statistique deux caractres

202

Chapitre 4:

Distribution statistique deux caractres

4.3 Principe de la mthode des moindres carres "Least Square method

n11
f11
n
= i=mn = i =m11
f.1 n
ni1
i1
i =1

i =1

203

204

34

Distribution statistique deux caractres

80
75
70
65
60
55
50
45
40
35
30
25
20
15
10

Chapitre 4:

Y (m)

Y (m)

Chapitre 4:

Distribution statistique deux caractres

80
75
70
65
60
55
50
45
40
35
30
25
20
15
10
110

110

120

130

140

150

160

X (m)

170

180

190

200

210

120

130

140

150

160

X (m)

170

180

190

200

210

206

Y (m)

Chapitre 4:

Distribution statistique deux caractres

Chapitre 4:

Distribution statistique deux caractres

Problme tudi:
Chercher une relation de corrlation entre deux
variables statistiques X et Y.

80
75
70
65
60
55
50
45
40
35
30
25
20
15
10

Quelles sont nos donnes:

On connat lensemble des couples (xi,yi) i=1,..,n
Comment faire:
Utiliser la mthode des moindres carrs

110

120

130

140

150

160

X (m)

170

180

190

200

210

207

Chapitre 4:

Distribution statistique deux caractres

208

Chapitre 4:

Distribution statistique deux caractres

En considrant une rgression linaire:

La mthode des moindre carrs vous
permet dcrire la relation:

80
75
70
65
60

Y (m)

55
50

(xi , yi )

y=ax+b

(xi , y i )

Et de ce fait vous permet de dterminer

les coefficients a et b (la dmonstration
sera donne au niveau du cours)

45
40
35
30
25
20
15
10
110

120

130

140

150

eri = yi yi

160

X (m)

170

180

190

200

210

Soit trs petite

209

Une corrlation na de valeurs que sil ya

dtermination du coefficient de corrlation
210

35

Chapitre 4:

Distribution statistique deux caractres

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

4.4 Covariance

i=m j =k

)(

Cov ( X , Y ) = f ij xi X y j Y
i =1 j =1
i =n

Fin du Chapitre 4
Distribution statistique deux caractres

4.1 Introduction
4.2 Description numrique

)(

1
Cov ( X , Y ) = xi X yi Y
i =1 n

4.3 Principe de la mthode des moindres carres "Least Square method

4.4 Covariance

211

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

212

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Partie C
Traitement probabiliste de linformation
Chapitre 6

Thorie de la probabilit

Chapitre 5
Distribution statistique plusieurs caractres

6.1 Espace de probabilit

6 2 Axiome de probabilit
6.2
6.3 Proprits des vnements
6.4 Quelques notions supplmentaires

213

Chapitre 6:

6.1

Thorie de la probabilit

Chapitre 6:

Espace de probabilit

On lance un d , lensemble de tous les rsultats

possibles est identifi par
= {1, 2, 3, 4, 5, 6}
Un rsultat possible de llexprience
exprience est not .

Ainsi,
Dautres exemples:
On lance une pice:
Dure de vie dune pice

214

= {P,F}
= [0,+[
215

Thorie de la probabilit

Une exprience alatoire se dcrit

mathmatiquement par la donne dun
espace dont les points nots sont les
rsultats possibles de lexprience, ainsi que
dune probabilit P sur .
Un vnement A li lexprience est
reprsent par une partie de not A.
Chaque vnement possde une probabilit
P[A] qui est un nombre compris entre 0 et 1.

216

36

Chapitre 6:

Thorie de la probabilit

Chapitre 6:

6.2

Par exemple, considrons le jeu de d:

Thorie de la probabilit

Axiome de probabilit

0P[A] 1

Un vnement A peut dcrit comme suit:

Obtenir un nombre pair
Obtenir 4

1.Soit un vnement A alors

A chaque vnement correspond une probabilit note P[A]

3.Si A et B sont deux vnements

mutuellement exclusive alors

2.P[]=1= vnement certain

P[A]: Probabilit davoir lvnement A

(, A, P) espace de probabilit

P[AUB]=P[A]+P[B]

217

Chapitre 6:

6.3

Thorie de la probabilit

218

Chapitre 6:

Proprits des vnements

Soit A et B deux vnements qui ne sont ncessairement
mutuellement exclusive alors

Thorie de la probabilit

6.4

Quelques notions supplmentaires

-1-

Probabilit conditionnelle :

Probabilit davoir lvnement A sachant que lvnement B sest produit

Ne pas confondre entre vnements mutuellement exclusive et indpendants
Voil un petit exemple en statistique

P[AB]=P[A]+P[B]-P[AB]

Population:
Individu :
Caractres:
Modalits :

Maisons (20)
Une maison parmi les 20
X (Surface habitable), Y (Surface non habitable)
Valeurs de X et Y

P[A / B ] =

P[A B ]
P[B ]

219

Chapitre 6:

Thorie de la probabilit

220

Chapitre 6:

-2-

Thorie de la probabilit

Thorme de la probabilit Totale

Je lappelle le thorme de la Vie

Y1

Y2

Y3

X1

f11=0.05

f12=0.05

f13=0.3

f1. =0.4

X2

f21=0.3

f22=0.1

f23=0.2

f2. =0.6

f.1=0.35

f.2=0.15

f.3=0.5

Considrons Bi (i=1,,n) vnements ME et CE alors:

f11 0.05
=
= 0.143
f.1 0.35
221

222

37

Chapitre 6:

-3-

Thorie de la probabilit

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

Thorme de Bayes
Fin du Chapitre 6

P [B / Ai ]P [ Ai ]
P [ Ai / B ] =
P [B / Ak ]P [ Ak ]

Thorie de la probabilit

6.1 Espace de probabilit

6 2 Axiome de probabilit
6.2

6.3 Proprits des vnements

6.4 Quelques notions supplmentaires

223

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

224

Chapitre 7:

7.1

Chapitre 7

Variable alatoire

Dfinitions

Une variable alatoire est une fonction qui

chaque vnement lmentaire dune exprience
alatoire associe un nombre rel ou entier.

Variable alatoire

7.1 Dfinitions
7.2 Variable alatoire discrte

Soit X une variable alatoire et k un rel ou entier,

lvnement not (X = k) est lantcdent de k
par la fonction

7.3 Variable alatoire continue

7.4 Caractristiques de tendance centrale
7.5 Caractristiques de dispersion

X : cest lensemble de tous les vnements

lmentaires dont limage par X est gale k.
225

Chapitre 7:

7.2

Variable alatoire

226

Chapitre 7:

Variable alatoire

Variable alatoire discrte

Les vnement A et B sont

k est un nombre entier

Mutuellement exclusive(ME)
Collectivement exhaustive (CE)

Soit une preuve qui ne comporte que deux rsultats

possibles, incompatibles.
Exemples:
Arrive dun avion:
Pice de monnaie:

Pourquoi???

A lheure ou non
Pile ou face

Car:
Si lvnement A se produit alors lvnement B ne
peut pas se produire et inversement
ME

A vnement dcrit par:

Lavion arrive lheure
B vnement dcrit par:
Lavion narrive pas lheure prvue

Car on ne peut avoir que les vnements A ou B. On

ne peut avoir un autre vnement
CE
227

228

38

Chapitre 7:

Variable alatoire

Chapitre 7:

On note PX(x) la loi de probabilit de la

variable alatoire X.
Cette dernire peut prendre deux valeurs:

La probabilit de ralisation de lvnement A est

p
La probabilit de ralisation de lvnement B est

x=1
x
1 ou x
x=0
0

Alors p+q=1

La fonction PX(x), dite Fonction de

Probabilit de masse (FPM) dpend de x:

Dans le cas dune pice de monnaie

p=0.5

q=0.5
229

Chapitre 7:

Variable alatoire

A vnement dcrit par

B vnement dcrit par

Variable alatoire

PX(x=1) crite aussi PX(x) est la probabilit

pour que lvnement x=1 se ralise
230

Chapitre 7:

Variable alatoire

Considrons une VA X qui peut prendre

plusieurs valeurs xi, (i=1,,n)

x=1
x=0

PX(x1)+PX(x2)++PX(xn)=1

Du moment que les deux vnements A

et B sont ME et CE alors

PX(x1)+PX(x2)++P
)+ +PX(xn)=1
n

P (x ) = 1

P[A]+P[B]=1
PX(1)+PX(0)=1

i =1

0 PX ( xi ) 1

xi

231

Chapitre 7:

Variable alatoire

232

Chapitre 7:

Variable alatoire

Fonction de rpartition ou Cumulative Distribution Functions

233

234

39

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

Quelques exemples de loi de probabilit de VA discrte

VA de BERNOULLI
Une variable alatoire qui prend comme valeur seulement
0 et 1 est appel une variable indicatrice, ou une variable
alatoire de Bernoulli, ou un essai de Bernoulli
Soit X une VA discrte de type Bernoulli

p
PX ( x) =
q = 1 p

x =1
x=0

235

Chapitre 7:

Variable alatoire

236

Chapitre 7:

Variable alatoire

Ce qui est recherch cest la loi de probabilit de la VAD Y.

Loi binomiale
Soit X la VAD qui dcrit larrive ou non dun avion lheure

P ( y)

Y
Considrons uniquement 3 avions (donc 3 essais).

X suit une loi de type Bernoulli car on a soit succs ou

chec.
On ssintresse
intresse maintenant non pas un seul avion mais
plusieurs (m et m>1). Il est introduit une nouvelle VAD Y qui
dcrit le nombre davions qui arrivent lheure (succs).
En fait cest comme si une pice de monnaie est jet m fois.
Si le rsultat de lessai est Pile cest un succs et si le
rsultat de lessai est Face cest un chec
237

Chapitre 7:

Variable alatoire

0 PY ( yi ) 1

Les vnements Y=0, Y=1, Y=2, Y=3 sont des vnements

ME et CE
238

Variable alatoire

PY ( y ) = Cny p y (1 p )

P (y ) =1
i =1

0 succs donc tous les avions narrivent pas lheure

1 succs donc sur les trois avions un seul va arriver lheure
2 succs donc sur les trois avions deux vont arriver lheure
3 succs donc les trois avions vont arriver lheure

Chapitre 7:

Quelles sont les possibilits.

Y=0,, 1,, 2,, 3.

n y

Du moment quil y a indpendance entre les

trois essais alors

PY (0) = q.q.q = q 3 = (1 p )

y = 0,1,2,..., n

Cny =

n!
y!(n y )!

PY (3) = p. p. p = p 3
PY (1) = ??
239

240

40

Chapitre 7:

7.3

Variable alatoire

Variable alatoire continue

0 1
1 2
2 3
3 4
4 5
5 6
6 7
7 8
8 9
9 10
10 11
11 12

Chapitre 7:

Variable alatoire

k est un nombre rel

Centredeclasse Frquence(%)
0,5
2
1,5
3
2,5
4
3,5
10
4,5
13
55
5,5
18
6,5
14
7,5
13
8,5
12
9,5
6
10,5
4
11,5
1

0 1
1 2
2 3
3 4
4 5
5 6
6 7
7 8
8 9
9 10
10 11
11 12

Centredeclasse Frquence(%)
0,5
2
1,5
3
2,5
4
3,5
10
4,5
13
55
5,5
18
6,5
14
7,5
13
8,5
12
9,5
6
10,5
4
11,5
1

0 2
2 4
4 6
6 8
8 10
10 12

Centredeclasse Frquence(%)
1
5
3
14
5
31
7
27
9
18
11
5

241

Chapitre 7:

0 2
2 4
4 6
6 8
8 10
10 12

Variable alatoire

242

Chapitre 7:

0 2
2 4
4 6
6 8
8 10
10 12

Centredeclasse Frquence(%)
1
5
3
14
5
31
7
27
9
18
11
5

Variable alatoire

Centredeclasse Frquence(%)
1
5
3
14
5
31
7
27
9
18
11
5

0 4
4 8
8 12

Centredeclasse Frquence(%)
2
19
6
58
10
23

243

Chapitre 7:

0 4
4 8
8 12

Variable alatoire

244

Chapitre 7:

Variable alatoire

Centredeclasse Frquence(%)
2
19
6
58
10
23

245

246

41

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

247

Chapitre 7:

Variable alatoire

248

Chapitre 7:

Variable alatoire

Surface=2 X 2.5=5

249

Chapitre 7:

Variable alatoire

250

Chapitre 7:

Variable alatoire

Frquence des individus ayant des modalits comprises entre 0 et 4

Surface=4 X 4.75=19

251

252

42

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

Frquence des individus ayant des modalits comprises entre 0 et 4

Surface=4 X 4.75=19

253

Chapitre 7:

f X (x )

Variable alatoire

254

Chapitre 7:

Fonction de densit de probabilit de la VA X

Variable alatoire

Conditions

f X ( x )dx = P[ x X x + dx]
Surface de la courbe

f X (x )

entre

x et x + dx

255

Chapitre 7:

Variable alatoire

FX (x )

256

Chapitre 7:

Variable alatoire

1 seul essai

Fonction de distribution cumulative de la VA X

Succs

FX ( ) = 0

Echec

Loi de Bernoulli

FX (+ ) = 1

PX ( x) =
q = 1 p
257

x =1
x=0
258

43

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

n essais

Loi binomiale
Succs

Echec

Succs

p X ( x ) = Cnx p x (1 p )

n x

Echec

x = 0,1,2,..., n avecCnx =

n!
x!(n x )!
259

Chapitre 7:

Variable alatoire

260

Chapitre 7:

Variable alatoire

p X (x ) =

(t )x e t x = 0,1,2,...,
x!

261

Chapitre 7:

Variable alatoire

262

Chapitre 7:

Variable alatoire

La probabilit de ne pas avoir de sismes durant le laps de

temps t est gale

PX (0)

Donc le premier succs

p X (x ) =

(t )x e t x = 0,1,2,...,
x!

1 FT (t ) = p X (0 ) =
263

(t )0 e t
0!
264

44

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

e t = 1 FT (t )
FT (t ) = 1 e t
f T (t ) = e t
265

Chapitre 7:

Variable alatoire

266
266

Chapitre 7:

Le nombre de mtores dans un intervalle

de 30 secondes est de 1.81. Supposez
que lapparition des mtores est alatoire
et indpendante

(
t )0 e t t
PX (0 ) =
=e
0!

Quelle est la probabilit de ne pas avoir de

mtores dans un intervalle dune minute?

PX

Variable alatoire

PX (0 ) = e 3.62

(
t )x e t
(x ) =
x = 0,1,2,...,
x!

267

Chapitre 7:

Variable alatoire

268

Chapitre 7:

Variable alatoire

Le nombre moyen de collisions se produisant en semaine pendant les

mois d't une intersection particulire est de 2.00. Supposez que les
conditions de la distribution de Poisson sont satisfaites.

1.2
1

a) Quelle est la probabilit de ne pas avoir de collisions en une semaine

particulire ?
b) Quelle est la probabilit qu'il y aura exactement une collision en
semaine ?
c) Quelle est la probabilit davoir exactement deux collisions en semaine
?
d) Quelle est la probabilit de trouver pas plus de deux collisions en
semaine ?
x t

0.8
0.6
0.4

PX (x ) =

0.2
0
1

10

11

(t ) e
x!

x = 0,1,2,...,

= 2 / semaine

12

269

270

45

Chapitre 7:

Variable alatoire

Chapitre 7:

Quelle est la probabilit de ne pas avoir de collision en une semaine

particulire ?

(
t )0 e t
PX (0) =

Variable alatoire

Quelle est la probabilit qu'il y aura exactement une collision en semaine ?

PX (0 ) = e t

PX

0!

(
t )1 e t
(1) =

PX (1) = e

1!

PX (0) = e 2*1

PX (1) = e 2*1 2

PX (0 ) = 0.135

PX (1) = 0.271
271

Chapitre 7:

Variable alatoire

272

Chapitre 7:

Quelle est la probabilit qu'il y aura exactement deux collisions en semaine ?

Variable alatoire

Quelle est la probabilit de trouver pas plus de deux collisions en semaine ?

Soit F lvnement dcrit pas: Pas plus de deux collisions en semaine

PX (2 ) =

(t )2 e t

PX (2 ) =

2!

e
2

Ce qui est recherch cest la probabilit de F

Soit A lvnement dcrit pas:
Soit B lvnement dcrit pas :
Soit C lvnement dcrit pas:

PX (2 ) = 0.271

0 collision en une semaine

1 collision en une semaine
2 collisions en une semaine

Pas plus de deux collisions en semaine cela veut dire

0 ou 1 ou 2 collisions par semaine

F = AUBUC

P[F] =P[AUBUC]

Les vnements A, B et C sont ME donc:

P[F] =P[A]+P[B]+P[C]
273

Chapitre 7:

Variable alatoire

274

Chapitre 7:

Variable alatoire

Quelle est la probabilit de trouver plus de deux collisions en semaine ?

P[ F ] = PX (0 ) + PX (1) + PX (2 )

Soit F lvnement dcrit pas: Pas plus de deux collisions en semaine

Soit FC lvnement dcrit pas: plus de deux collisions en semaine

P[ F ] = 0.135 + 0.271 + 0.271

Les vnement F et FC sont complmentaires

P[ F ] = 0.677

P[FC]=1-P[F]=1-0.677=0.323

275

276

46

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

7.4
7.5

Quelle est la probabilit qu'il y aura exactement deux collisions en deux

semaine ?

Caractristiques de tendance centrale

Caractristiques de dispersion

VA discrte
En statistique

(
t )2 e t
PX (2 ) =

Variable statistique: Intensit dun sisme

t=2

2!

PX (2 ) = 0.147
277

Chapitre 7:

Variable alatoire

278

Chapitre 7:

Variable alatoire

VAD Intensit dun sisme

PX ( x = 1) f1

12

X = fi X i

La moyenne est note en statistique

E[X ]
Esprance mathmatique de la VA D X

La moyenne est note en probabilit

12

X = fi X i
i

X2 = f i (X i X )
12

E[X ] =

i =

P (x )x

i =

279

i
280

Chapitre 7:

Variable alatoire

Chapitre 7:

Variable alatoire

X2 = f i (X i X )
12

Loi de Bernoulli

PX ( x) =
q = 1 p

La variance est note en statistique

x =1

La variance est note en probabilit

x=0

X2 =

E [X ] = p

E [X ] = 0.5 si p = q = 0.5
281

2
X

Variance de VA D

E [X ] = PX (xi )xi = p *1 + q * 0

i =

P (x )(x E[X ])

i =

282

47

Chapitre 7:

Variable alatoire

Chapitre 7:

Loi de Bernoulli

x =1
x=0

PX ( x) =
q = 1 p
E [X ] = p

Caractristiques de tendance centrale

Caractristiques de dispersion

VA continue
0.4

0.3

= PX ( xi )( xi p ) = p(1 p ) + q(0 p )
2

Frquencee

0.3

2
X

Variable alatoire

7.4
7.5

X2 = p(1 p )2 + (1 p ) p 2 = (1 p ) p(1 p + p )

0.2

0.2

0.2
0.30/1.5

0.15
0.20/1.5

0.1

0.15

0.20/1.5
0.15/1.5

0.15/1.5

= (1 p ) p = qp

0.0
1.5

2.0

2.5

3.0

3.5

4.0

Chapitre 7:

Variable alatoire

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

Magnitude de Richter

283

Chapitre 7:

9.0

9.5

284

Variable alatoire

0.4

0.2

0.3

Frquence
Frqu
uence/1.5

0.3

0.130.2

0.2

0.13
0.2

01
0.1

0 10.15
0.1

0.15

0.1

0.0
1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

6.5

7.0

7.5

8.0

8.5

9.0

9.5

Magnitude de Richter
285

Chapitre 7:

Variable alatoire

Chapitre 7:

Moyenne arithmtique dite par abrviation MOYENNE

Individus

10

10.3

22.1

23

26

15.2

12.3

18

18.3

10

14.5

10

Fi

Variable alatoire

Limites des
classes (N)

Force
(Modalit) N

286

1
F = i =1 = Fi
10 i =1 10
= 16.97 N
10

Limite
sup

Centr
e
de
class
e (N)

Effectif

Frquence
(%)

10

14

12

30

3.6

14

18

16

20

3.2

18

22

20

20

22

26

24

20

4.8

26

30

28

10

2.8

Limi
te
inf

f k Fk

F = f k Fk
k =1

= (3.6 + 3.2 + 4 + 4.8 + 2.8)

287

= 18.4 N

288

48

Chapitre 7:

Variable alatoire

Chapitre 7:

F = f j Fj

V = f k Fk F

j =1

E [F ] =

Variable alatoire

( f F ( f )df ) f

E [F ] = ff F ( f )df

EM X = x E[ X ] f X ( x )dx

E [X ] = xf X ( x )dx

X2 =

(x E[ X ])2 f X (x )dx
289

Chapitre 7:

Variable alatoire

290

Chapitre 7:

Variable alatoire

f T (t ) = e t

E [T ] = tfT (t )dt =
T2 =

(t E[T ])2 fT (t )dt =

Calculer lesprance mathmatique de la VA X

E [X ] = xf X ( x )dx

2
291

Chapitre 7:

Variable alatoire

292

Chapitre 7:

Variable alatoire

E [a ] = a
E [aX ] = aE [X ]

E[aX + b] = aE[X ] + b
X2 =

(x E[ X ])2 f X (x )dx = E [( X E[ X ])2 ]

[ ]

= E X 2 (E [X ])

293

294

49

Chapitre 7:

Variable alatoire

Distribution normale ou gaussienne,

N (m, )

Chapitre 7:

Variable alatoire

295

Chapitre 7:

Variable alatoire

296

Chapitre 7:

E[X ] = m

Variable alatoire

E ( X E [ X ]) = 2
2

U=

N (m, )

U=

X m

N (0,1)

X m

E [U ] = 0

fU (u ) =

E (U E [U ]) = 1
2

(2 )

12

u2
exp 2
2

< u <

297

Chapitre 7:

Variable alatoire

298

Maths 4: Probabilit et Statistiques

(2008/2009)

Fin du Chapitre 7

FU ( ) =

(2 )1 2

Zendagui

Variable alatoire

u2
exp 2 2 du

7.1 Dfinitions
7.2 Variable alatoire discrte
7.3 Variable alatoire continue
7.4 Caractristiques de tendance centrale

FU ( ) = 1 FU ( )

7.5 Caractristiques de dispersion

299

300

50

Maths 4: Probabilit et Statistiques

(2008/2009)

Chapitre 8
8.1
8.2

Zendagui

Chapitre 8:

Vecteurs alatoires

Vecteurs alatoires

En engineering, il est souvent souhaitable de relier

deux ou plusieurs ou variables alatoires
P
Pression,
i
ttempratures.
t

Vecteurs alatoires discrets

Vecteurs alatoires continues

301

Chapitre 8:

8.1

Vecteurs alatoires

302

Chapitre 8:

Vecteurs alatoires discrets

8.1

Vecteurs alatoires

Vecteurs alatoires discrets

JPMF: Joint Probability Mass Function

FDPC: Fonction de distribution de probabilit conjointe

Fonction de distribution marginale

303

Chapitre 8:

Vecteurs alatoires

304

Chapitre 8:

8.2

Vecteurs alatoires

Vecteurs alatoires continues

f X ( x )dx = P[ x X x + dx]

Fonction de distribution cumulative conjointe

f XY ( x, y )dxdy = P[( x X x + dx ) ( y Y y + dy )]
fY ( y )dy = P[ y Y y + dy ]
Indpendance

f X ( x ) fY ( y )dxdy = P[(x X x + dx )]P[( y Y y + dy )]

f XY ( x, y )
305

(FDPC)
306

51

Chapitre 8:

Vecteurs alatoires

Chapitre 8:

Vecteurs alatoires

307

Chapitre 8:

Vecteurs alatoires

308

Chapitre 8:

Vecteurs alatoires

Deux personnes pensent se rencontrer entre 9h00 et 10h00.

Chaque personne ne peut attendre plus de 10 minutes. C'est-dire quau-del de 10 minutes elle partira si la deuxime personne
ne vient pas. On suppose les deux personnes peuvent arriver
nimporte quel moment entre 9h00 et 10h00 et que leurs temps
darrive ne sont pas connus.

X dcrite
d i par : le
l nombre
b de
d minutes
i
l
coul
jusqu larrive de la personne A
Y dcrite par : le nombre de minutes coul
jusqu larrive de la personne B
309

Chapitre 8:

Vecteurs alatoires

f X (x ) = b a
0

310

Chapitre 8:

Vecteurs alatoires

a xb
elsewhere

311

312

52

Chapitre 8:

Vecteurs alatoires

Chapitre 8:

Vecteurs alatoires

Question :
Il est recherch la probabilit pour que les deux
personnes se rencontrent entre 9h00 et 10h00.

313

Chapitre 8:

Vecteurs alatoires

314

Chapitre 8:

Vecteurs alatoires

Exemple: Fiabilit dun systme

Probabilit que les deux personnes se rencontrent=

P[ X Y 10]

Y: Rsistance
X: Action

VA
VA

pr = P[Y X ]

Probabilit de rupture

315

Chapitre 8:

Vecteurs alatoires

316

Chapitre 8:

Vecteurs alatoires

Distribution conditionnelle

YX

317

318

53

Chapitre 8:

Vecteurs alatoires

Chapitre 8:

Vecteurs alatoires

319

Chapitre 8:

Vecteurs alatoires

320

Chapitre 8:

Vecteurs alatoires

n voitures qui arrivent au niveau dune intersection.

X VA : Nombre de voitures qui tournent vers lEst
Y VA : Nombre de voitures qui tournent vers lOuest

NORD

OUEST

EST

321

Chapitre 8:

Vecteurs alatoires

Probabilit[Voiture tourne vers lEst]=p

Probabilit[Voiture tourne vers lOuest]=q

322

Chapitre 8:

Vecteurs alatoires

Sur les n voitures, on sait que dj y voitures ont pris la

direction de lOuest ( gauche). Donc il reste uniquement
(n-y) qui doivent soit tourner gauche (Est) soit se
diriger vers le Nord.

Probabilit[Voiture tourne vers le Nord]=r=1-p-q

Loi binomiale: Tournez vers lOuest ou non

323

324

54

Maths 4: Probabilit et Statistiques

(2008/2009)

Fin du Chapitre 8
8.1
8.2

Zendagui

Maths 4: Probabilit et Statistiques

Vecteurs alatoires

(2008/2009)

Chapitre 9

Vecteurs alatoires discrets

Vecteurs alatoires continues

9.1
92
9.2
9.3
9.4

Zendagui

Transformation dune Variable Alatoire

Objectifs
Mth d gnrale
Mthode
l
Application pour le cas dune fonction linaire
Fonctions deux Variables alatoires

325

Chapitre 9:

9.1

Transformation dune Variable

326

Chapitre 9:

Transformation dune Variable

Objectifs

H
C

Soit C le cot de construction dun mur

VA note X
VA note Y

Y = a + bX

C1: cot des matriaux (DA)

C2: cot de la Main duvre (DA/Heure)

f X (x )

C=C1+ C2*H
H: Nombre dheures de travail

fY ( y )

C=10.000+100*100

Fonction de densit de probabilit de la VA X

f X ( x )dx = P[ x X x + dx]
Fonction de densit de probabilit de la VA X

fY ( y )dy = P[ y Y y + dy ]

C=20.000 DA
327

Chapitre 9:

Transformation dune Variable

Si la loi de probabilit de la VA X est

connue alors comment dterminer la
loi de probabilit de Y

f X (x )

Y = a + bX

328

Chapitre 9:

9.2

Transformation dune Variable

Mthode gnrale

fY ( y )

Y = g(X )
329

330

55

Chapitre 9:

Transformation dune Variable

Chapitre 9:

9.3

Transformation dune Variable

Application pour le cas dune fonction linaire

331

Chapitre 9:

Transformation dune Variable

332

Chapitre 9:

Transformation dune Variable

FX ( x ) = P[X x ]

y a

ya
FY ( y ) = P X
=
F

X
b

b
dF ( y )
fY ( y ) = Y
dy
1 ya
fY ( y ) = f X

b b

Y>yy
Yy
x=(y-a)/b

FY ( y ) = P[Y y ]

y a

FY ( y ) = P X
b

333

Chapitre 9:

Transformation dune Variable

334

Chapitre 9:

Transformation dune Variable

y a
y a

FY ( y ) = P X >
= 1 P X

b
b

y a

ya
= 1 FX
FY ( y ) = 1 P X

Y>y

Yy
x=(y-a)/b

FY ( y ) = P[Y y ]

fY ( y ) =

y a

FY ( y ) = P X >
b

335

fY ( y ) =

dFY ( y )
dy

1 ya
fX

b b

336

56

Chapitre 9:

Transformation dune Variable

fY ( y ) =

Chapitre 9:

1 ya
fX

b b

1 ya
fX

b b

337

Transformation dune Variable

338

Chapitre 9:

339

Chapitre 9:

Transformation dune Variable

1 ya
fX

b b

fY ( y ) =

fY ( y ) =

Chapitre 9:

Transformation dune Variable

341

Transformation dune Variable

340

Chapitre 9:

Transformation dune Variable

342

57

Chapitre 9:

9.4

Transformation dune Variable

Chapitre 9:

Transformation dune Variable

Fonctions deux Variables alatoires

Soit X1 et X2 deux variables alatoires dfinies soit pat leurs PDF ou leur JPDF

f X 1 ( x1 )

f X 2 ( x2 )

f X 1 X 2 ( x1 , x2 )

Y = X1 + X 2
fY ( y )

FY ( y )
343

Chapitre 9:

Transformation dune Variable

344

Chapitre 9:

Transformation dune Variable

Si X1 et X2 sont indpendant

345

Chapitre 9:

Transformation dune Variable

346

Chapitre 9:

Transformation dune Variable

Arrt de
bus A

Arrt de
bus B

Maison

Universit

X: VA temps dattente au niveau de larrt de bus A

f X ( x ) = e x

Y: VA temps dattente au niveau de larrt de bus B

f Y ( y ) = e y

347

T = X +Y

348

58

Chapitre 9:

Transformation dune Variable

Chapitre 9:

Transformation dune Variable

Y = X1 + X 2

FT (t ) = ??????????

T = X +Y
fT (t ) =

f (t y ) f ( y )dy
X

349

Chapitre 9:

Transformation dune Variable

fT (t ) =

350

Chapitre 9:

Transformation dune Variable

f (t y ) f ( y )dy
X

f X ( x ) = e x
x0

fT (t ) = e (t y ) e y dy

f Y ( y ) = e y
y0

f X (t y ) = e (t y )

y0

ty0

0 yt

ty0

fT (t ) = e (t y )e y dy
0

351

Chapitre 9:

Transformation dune Variable

352

Chapitre 9:

Transformation dune Variable

f X ( x ) = e x

t t
(e e )
fT (t ) =

t0

fT (t ) =

353

f Y ( y ) = e y

t t
(e e )

354

59

Chapitre 9:

Transformation dune Variable

Maths 4: Probabilit et Statistiques

(2008/2009)

Zendagui

2.5
2

Fin Chapitre 9

1.5

9.1
9.2
93
9.3
9.4

Transformation dune Variable Alatoire

Objectifs
Mthode gnrale
Application pour le cas dune fonction linaire
Fonctions deux Variables alatoires

0.5
0
0

0.5

1.5

2.5

355

Maths 4: Probabilit et Statistiques

(2008/2009)

356

Zendagui

Fin du cours

357

60