Auteur : Patrice LEPISSIER Les probabilités  Notions de base Notions de base  Variable aléatoire Variable aléatoire  La loi Normale La loi Normale.

Slides:



Advertisements
Présentations similaires
5 La Loi de Laplace Gauss ou loi Normale
Advertisements

Statistique descriptive
variable aléatoire Discrète
Les principaux résumés de la statistique
TECHNIQUES QUANTITATIVES APPLIQUEES A LA FINANCE
Rappels de statistiques descriptives
STATISTIQUES DESCRIPTIVES
Micro-intro aux stats.
TD4 : « Lois usuelles de statistiques »
Chapitre 3: Variables aléatoires réelles continues
LOIS DE PROBABILITE Variables aléatoires Lois discrètes Lois continues
Principales distributions théoriques
Chapitre 4 Variables aléatoires discrètes
LOIS COURANTES DE PROBABILITES
Auteur : Patrice LEPISSIER La prévision de la demande  Définitions Définitions  Méthodes qualitatives Méthodes qualitatives  Méthodes quantitatives.
Auteur : Patrice LEPISSIER Le marché  Définitions – Le marché Le marché – Le marché du produit Le marché du produit – Classification de C. MATRICON Classification.
Atelier 1 Le problème du surpoids sur géogébra. Etude de la prévalence du surpoids: (document Ressources pour la classe de terminale) Situation: On souhaite.
Auteur : Patrice LEPISSIER Le système de contrôle  Introduction Introduction  Les sources Les sources  Les indicateurs Les indicateurs  Les outils.
Auteur : Patrice LEPISSIER Calcul du Nombre de Vendeurs  Formule de calcul Formule de calcul  Visites clients Visites clients  Visites vendeur Visites.
Auteur : Patrice LEPISSIER Le seuil de rentabilité  Principe Principe  Approche globale Approche globale  Approche unitaire Approche unitaire  Récapitulatif.
Chapitre 5. Modèles probabilistes continus Variable aléatoire continue et loi de probabilité continue Loi uniforme Loi exponentielle Loi normale Loi normale.
Chapitre 6. Introduction à l’échantillonnage Les sondages Notions fondamentales Fluctuations d’échantillonnage d’une moyenne Théorème central limite C6-1.
1 METHODE DEMPSTER-SHAFER Présenté: Guy Richard SAMEDY MASTER M2 RECHERCHE INFORMATIQUE UE : Cognition et Connaissance INSA de Lyon ( )
Transformation de Laplace - Mr.Retima Abderaouf - Mr.Ghandjoui abderahmane Université 20 aout 1955 Skikda.
Et maintenant, le mode : fastoche !
Cours d’Econométrie de la Finance (Stat des choix de portf. IV 1-2)
Suites ordonnées ou mettre de l’ordre
Chapitre 1 Généralités sur les données
Analyse, Classification,Indexation des Données ACID
Statistiques descriptives univariées
La ProbabilitÉ.
Construire des requêtes
Comparaison de deux pourcentages.
Algorithmique Avancée et Complexité Chap2:Complexité et Optimalité
Représentation de l’information en binaire:
Loi Normale (Laplace-Gauss)
7.1 Transformation linéaire
Analyse en Composantes Principales A.C.P. M. Rehailia Laboratoire de Mathématiques de l’Université de Saint Etienne (LaMUSE).
chapitre : Les Probabilités
chapitre 3 Les Statistiques
Les plans de mélange Les plans d’expérience : Présentée par :
Plans d’experiences : plans de melanges
Exercice 1 On tire 7 fois avec remise dans une urne contenant 1 jeton Noir et 2 jetons Rouges. X est la variable aléatoire donnant le nombre de fois où.
Introduction aux Statistiques Variables aléatoires
Technologies de l’intelligence d’affaires Séance 12
MOYENNE, MEDIANE et ECART TYPE d’une série statistique
Scénario Quatre hipsters entrent en collision un dans l'autre dans un ascenseur plein de personnes. En conséquence ils laissent tomber leurs téléphones.
2.2 Probabilité conditionnelle
Statistiques industrielles – Exemple d’application
3.3 loi discrète 1 cours 14.
3.6 Loi continue 3 cours 18.
4.2 Estimation d’une moyenne
CARTOGRAPHIE LES CARTES GEOLOGIQUES LES CARTES TOPOGRAPHIQUES.
Statistiques. Moyenne, Moyenne pondérée, Tableur et graphiques.
GESTION DE PORTEFEUILLE chapitre n° 4 C. Bruneau Rationalisation des choix: référence à l’utilité.
Calculs des incertitudes Lundi 30 Avril 2018 Master de Management de la Qualité, de la Sécurité et de l’Environnement.
 1____Probabilité  2______variables aléatoires discrètes et continues  3______loi de probabilités d’une v a  4_______les moyens et les moyens centraux.
Statistiques.
Lois de Probabilité Discrètes
Les mathématiques avec Chloe et Dalia
Activités mentales rapides
Position, dispersion, forme
Le risque de taux d’intérêt Jean-Marcel Dalbarade.
Contribution du LHyGeS
Programme d’appui à la gestion publique et aux statistiques
Thème : 5 Questions flash autour des probabilités
Tests d’hypothèses paramétriques 1 Cours Statistiques Chapitre 9.
Domaine d’emploi Les types de tables Les paramètres Utilisation
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES.
Transcription de la présentation:

Auteur : Patrice LEPISSIER Les probabilités  Notions de base Notions de base  Variable aléatoire Variable aléatoire  La loi Normale La loi Normale

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base 1.DéfinitionDéfinition 2.ExempleExemple 3.PropriétésPropriétés

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base La probabilité pour qu’un évènement se produise s’écrit : Nombre de cas favorables p{X=n} = Nombre de cas possibles avec : - X : la variable - n : valeur cherchée pour la variable - p{X} : probabilité pour la valeur de cette variable Définition

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base Exemple Exemple : nombre de commandes reçues par un vendeur LundiMardiMercrediJeudiVendredi Semaine Semaine Semaine Semaine Calculer les valeurs de p{X=n}

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base Exemple Soit les valeurs de p{X=n} np{n}n 04/20 = 0,2041/20 = 0,05 14/20 = 0,2051/20 = 0,05 24/20 = 0,2062/20 = 0,10 34/20 = 0,2070/20 = 0,00

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base Propriétés la probabilité d’un évènement est comprise entre 0 et 1 la probabilité d’un évènement impossible est égale à 0 la probabilité d’un évènement certain est égale à 1 la somme des probabilités est égale à 1 la probabilité de la réunion de 2 évènements incompatibles est égale à la somme des probabilités de chaque évènement

Auteur : Patrice LEPISSIER Les probabilités 1. Notions de base Propriétés : exemples à partir de la série précédente p{X=2 ou X=3} = p{X=2} + p{X=3} = 0,20 + 0,20 = 0,40 p{X>2} = p{X=3} + p{X=4} + p{X=5} + p{X=6} = 0,20 + 0,05 + 0,05 + 0,10 = 0,40 p{X<>2} = 1 - p{X=2} = 1 - 0,20 = 0,80

Auteur : Patrice LEPISSIER Les probabilités Notions de base  Variable aléatoire Variable aléatoire  La loi Normale La loi Normale

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire 1.DéfinitionDéfinition 2.Espérance mathématiqueEspérance mathématique 3.Fonction de distributionFonction de distribution 4.Fonction de répartitionFonction de répartition 5.La loi de probabilitéLa loi de probabilité

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Définition Une variable aléatoire est une variable statistique à laquelle on peut attribuer, pour chaque valeur, une probabilité connue. Il existe donc des variables aléatoires discrètes et des variables aléatoires continues.

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Espérance mathématique c’est la moyenne arithmétique des différentes valeurs de la variable, pondérée par les probabilités correspondantes Calculer l’espérance mathématique à partir de la série précédente

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Espérance mathématique Nb de cdesProbabilitéPiXiPiXi 00,200,00 10,20 2 0,40 30,200,60 40,050,20 50,050,25 60,100,60 Total1,002,25 L’espérance mathématique E(X) = 2,25 soit le vendeur obtient en moyenne 2,25 commandes par jour

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Fonction de distribution C’est la représentation graphique de la série statistique des probabilités attachées aux valeurs de la variable Exemple : distribution de la série précédente

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Fonction de répartition Elle fait correspondre à toute valeur de X, la probabilité de l’évènement {X<=x}. Nb commandesProbabilitéProb. cumulée 00,20 1 0,40 20,200,60 30,200,80 40,050,85 50,050,90 60,101,00 Exemple : à partir de l’exemple précédent

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Fonction de répartition Ce qui permet d’obtenir la représentation graphique de la variable aléatoire X

Auteur : Patrice LEPISSIER Les probabilités 2. Variable aléatoire Loi de probabilité Elle est constituée par l’ensemble des valeurs de la variable aléatoire associées aux probabilités correspondantes, soit les {x i,p i }. Les lois les plus souvent observées sont : - la lois Binomiale - la loi de Poisson, pour des variables discrètes - la loi Normale pour les variables continues

Auteur : Patrice LEPISSIER Les probabilités Notions de base Variable aléatoire  La loi Normale La loi Normale

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale 1.CaractéristiquesCaractéristiques 2.ParamètresParamètres 3.La table de la loi normaleLa table de la loi normale 4.UtilisationUtilisation

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Caractéristiques Une variable aléatoire suit une loi de probabilité dite normale lorsque les valeurs qu’elle prend sont très proches de sa moyenne et que les valeurs supérieures sont sensiblement en même nombre que les valeurs inférieures à la moyenne. Cette loi a permis de déterminer la règle du « 20x80 » utilisée pour la gestion des stocks et dans la détermination des actions commerciales. La représentation graphique de la distribution statistique permet, par sa forme significative, de déceler un loi Normale.

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Caractéristiques Exemple : nombre de commande en fonction du montant 1,00222Total 0,1023[2500 – 3000[ 0,1635[2000 – 2500[ 0,2453[1500 – 2000[ 0,2352[1000 – 1500[ 0,1737[500 – 1000[ 0,1022[0 – 500[ FréquenceNombreValeurs

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Caractéristiques La représentation obtenue en forme de « cloche » est significative d’une loi Normale.

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Paramètres Deux éléments caractérisent toute loi Normale : la moyenne l’écart type Par convention on notera : N(m ;  ) Avec : m = moyenne arithmétique  = écart type

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Paramètres Exemple : à partir de la série précédente, calculer les paramètres de la loi normale de la variable X. Rappel : Moyenne = Écart type = Il faut donc construire un tableau pour calculer la moyenne et l’écart type.

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Paramètres 222 Totaux 23 [2500 – 3000[ 35 [2000 – 2500[ 53 [1500 – 2000[ 52 [1000 – 1500[ 37 [500 – 1000[ 22 [0 – 500[ (Xi-X)²Ni(Xi-X)²Xi-XXiNiCentres Nombre Valeurs Moyenne = / 222 = Écart type =  ( / 222) = 727

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Paramètres La variable X (montant de commande) suit donc une Loi Normale de type : N(1500;727) Ces paramètres vont permettre de calculer la probabilité pour une obtenir une commande d’un montant donné.

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale La table de la Loi Normale La table de la Loi Normale permet de calculer la probabilité d’une valeur inférieure à t, soit : p{< T} Avec : T = X - m  On a : p{<X} = p{< T} La probabilité d’avoir une valeur inférieure à X est égale à la probabilité d’avoir une valeur inférieure à T, cette valeur peut-être relevée dans la table de la Loi Normale.

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale La table de la Loi Normale Exemple : à partir de la série précédente, qu’elle est la probabilité d’avoir une commande d’un montant inférieur à €. T = (1 750 – 1500) / 727 = 0,34 Il suffit de lire la probabilité pour la valeur 0,34 dans la table de la Loi Normale. On obtient : p{<T} = 0,6331 Il y a donc 63% de chances d’obtenir une commande d’un montant inférieur à €

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Utilisation La table de la Loi Normale ne donne que les probabilités des valeurs de T > 0 et que pour des valeurs inférieures à T. La table est « centrée réduite », elle est donc symétrique. La probabilité d’un événement inverse étant égal à 1 moins la probabilité de l’événement, on peut donc calculer : p{> X} = 1 – p{ < X} = 1 – p{< T} Si T > 0 : p{< X} = 1 – p{ < |T|}Si T < 0 : p{> X} = 1 – p{ < X} = p{< |T|}

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Utilisation p{> X} 1 – p{< |T|} T > 0 p{< X} T < 0 p{ < T} p{< |T|} RÉSUMÉ T = X - m  1 – p{< T} Calcul de T Utilisation de la table

Auteur : Patrice LEPISSIER Les probabilités 3. Loi Normale Utilisation Exemple : à partir de la série précédente, qu’elle est la probabilité d’avoir une commande d’un montant supérieur à 850 € T = (850 – 1500) / 727 = - 0,89 Donc p{ > 850} = p{< 0,89} = 0,8133 Il y a donc 81% de chances d’obtenir une commande d’un montant supérieur à 850 €

Auteur : Patrice LEPISSIER Les probabilités Notions de base Variable aléatoire La loi Normale F I N