Introduction aux calculs des probabilité et analyse

de données sous R

E. Erraitab

September 20, 2024

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 1 / 125
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 2 / 125
Introduction aux statistique avec R
Exemples d’application
Comment un médecin décide-t-il qu’un nouveau médicament est plus efficace qu’un
médicament existant ?
Comment Google utilise-t-il les termes de recherche pour décider qu’une nouvelle
saison de grippe commence ?
Quelle confiance un politicien doit-il avoir dans les résultats de ses derniers sondages ?
Comment Netflix fait-il des recommandations de films personnalisées ?
Ce sont les types de questions auxquelles vous pouvez répondre grâce à l’analyse des
données statistiques.

Pré-requis nécessaires
Ce cours est destiné à toute personne intéressée par une introduction aux calculs des
probabilité et à l’analyse de données.
Ce cours se veut accessible à tout public et ne nécessite pas de connaissances
préalables en statistique.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 3 / 125
Objectifs du cours

À la fin de ce cours, vous aurez appris à :

Savoir comment collecter des données,
Utiliser efficacement les données face à l’incertitude,
Utiliser les données pour faire des inférences et tirer des conclusions sur des
phénomènes du monde réel.
Apprendre des méthodes modernes et polyvalentes telles que la simulation par
inférence statistique et l’inférence bayésienne.
S’engager avec des jeux de données réels en utilisant R, un langage de
programmation statistique open source.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 4 / 125
Les labs sur R

A travers les multiples exercices et labs, vous apprendrez à utiliser les packages de
R ainsi que la façon de mener des analyses de données de manière reproductible.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 5 / 125
Théorie de probabilité

Ensemble : Définition

Definition
Un ensemble est une collection d’objets/éléments. Par convention, un ensemble est noté
avec des majuscules tandis qu’un élément est noté avec des minuscules.

a ∈ A : L’élément a appartient (ou est un élément de) l’ensemble A.

a∈/ A : L’élément a n’appartient pas à l’ensemble A.
Les ensembles peuvent être spécifiés de différentes manières :
A = {a | a ∈ I et 5 < a < 10}
B = {6, 7, 8, 9}
c
C = {c | 2
est un entier}

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 6 / 125
Théorie de probabilité
Ensemble : Définition
Un ensemble est :
Dénombrable s’il est possible de mettre en correspondance ses éléments avec I (s’ils
peuvent être énumérés).
Indénombrable s’il n’est pas possible de mettre en correspondance ses éléments avec
I (s’ils ne peuvent pas être énumérés).
Un ensemble est :
Finie s’il est vide ou s’il possède des éléments qui peuvent être comptés (un nombre
fini d’éléments).
Infinie s’il n’est pas fini.
Finie
Dénombrable
Infinie
Ensemble
Indénombrable Infinie

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 7 / 125
Théorie de probabilité

Ensemble : Définition
A⊆B
A est un sous-ensemble de B
Si chaque élément de l’ensemble A est également un élément de l’ensemble B
A est contenu dans B
A⊂B
A est un sous-ensemble propre de B
S’il existe au moins un élément dans B qui n’existe pas dans A
L’ensemble vide n’a aucun élément, il est appelé ∅ (ensemble vide) = {}.
∅ est un sous-ensemble de tous les autres ensembles

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 8 / 125
Théorie de probabilité

Ensemble : Exemple 1.1-1

Définitions des ensembles - Exemple 1.1-1 A = {1, 3, 5, 7}, B = {1, 2, 3, . . .},
C = {0.5 < c ≤ 8.5}, D = {0.0}, E = {2, 4, 6, 8, 10, 12, 14}, F = {−0.5 < f ≤ 12.0}
Questions :
1 Identifier les ensembles dénombrables et finis
2 Identifier les ensembles dénombrables et infinis
3 Identifier les ensembles Indénombrables et infinis
4 Quels ensembles sont des sous-ensembles d’autres ensembles ?

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 9 / 125
Théorie de probabilité

Ensemble : Solution de Exemple 1.1-1

Définitions des ensembles - Exemple 1.1-1 A = {1, 3, 5, 7}, B = {1, 2, 3, . . .},
C = {0.5 < c ≤ 8.5}, D = {0.0}, E = {2, 4, 6, 8, 10, 12, 14}, F = {−0.5 < f ≤ 12.0}
Dénombrables et finis
A, D et E
Dénombrables et infinis
B
Indénombrables et infinis
C et F
Sous-ensembles
A ⊂ B, A ⊂ C, A ⊂ F, C ⊂ F, D ⊂ F, E ⊂ B
A, D et E sont mutuellement exclusifs les uns des autres (ensembles disjoints)
Aucun élément commun entre eux

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 10 / 125
Théorie de probabilité

Ensemble : Exemple 1.1-2

Définitions des ensembles - Exemple 1.1-2
Le plus grand ensemble dans une situation donnée est appelé l’ensemble universel S.
Tous les autres ensembles (dans la même situation) sont des sous-ensembles de S.
Exemple : Lancer de dé
S = {1, 2, 3, 4, 5, 6}
N=6
Nombre de sous-ensembles = 26 (puissance de 2 pour un ensemble de 6
éléments)
∅, {1}, {2}, ..., {6}, {1, 2}, ...

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 11 / 125
Théorie de probabilité

Opérations sur les Ensemble

Opérations sur les ensembles
Diagramme de Venn
S est représenté par un rectangle.
Les éléments des ensembles sont représentés par des zones fermées.
Montre la relation entre les ensembles : dans la Figure (a).
B est un sous-ensemble de A.
C est disjoint de A et B (A ∩ C = ∅ et B ∩ C = ∅).
Union et Intersection
C = A ∪ B = {c | c ∈ A ou c ∈ B}
D = A ∩ B = {d | d ∈ A et d ∈ B}
Voir la Figure (b).

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 12 / 125
Théorie de probabilité
Opérations sur les ensembles
Diagramme de Venn
S est représenté par un rectangle.
Les éléments des ensembles sont
représentés par des zones fermées.
Montre la relation entre les
ensembles : dans la Figure (a).
B est un sous-ensemble de A.
C est disjoint de A et B
(A ∩ C = ∅ et B ∩ C = ∅).
Union et Intersection
C = A∪B = {c | c ∈ A ou c ∈ B}
D = A ∩ B = {d | d ∈ A et d ∈
B}
Voir la Figure (b).

Figure 1 – Diagrammes de Venn (b)

illustration de l’intersection et de l’union
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 13 / 125
Théorie de probabilité

Opérations sur les ensembles

Égalité et différence
A = B si A ⊆ B et B ⊆ A
C = A − B = {c | c ∈ A et c ∈
/ B}
Exemple : A = {0.6 < a ≤ 1.6}, B = {1.0 ≤ b ≤ 2.5}
C = A − B = {0.6 < c < 1.0}
D = B − A = {1.6 < d ≤ 2.5}
Complément
A = B = S − B = {a | a ∈ S et a ∈
/ B}
S=∅
A∪A=S
A∩A=∅

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 14 / 125
Théorie de probabilité
Opérations sur les ensembles - Exemple
1.2-1
S = {s | s ∈ N et 1 ≤ s ≤ 12}
A = {1, 3, 5, 12}
B = {2, 6, 7, 8, 9, 10, 11}
C = {1, 3, 4, 6, 7, 8}
A ∪ B = {1, 2, 3, 5, 6, 7, 8, 9, 10, 11, 12}
A ∪ C = {1, 3, 4, 5, 6, 7, 8, 12}
B ∪ C = {1, 2, 3, 4, 6, 7, 8, 9, 10, 11}
Figure 2 – Diagrammes de Venn appliqué à
A∩B=∅ l’exemple 1.2-1
A ∩ C = {1, 3}
B ∩ C = {6, 7, 8}
A = {2, 4, 6, 7, 8, 9, 10, 11}
B = {1, 3, 4, 5, 12}
C = {2, 5, 9, 10, 11, 12}
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 15 / 125
Théorie de probabilité

Algèbre des ensembles

Loi commutative
A∪B=B∪A
A∩B=B∩A
Loi distributive
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Loi associative
(A ∩ B) ∩ C = A ∩ (B ∩ C) = A ∩ B ∩ C
(A ∪ B) ∪ C = A ∪ (B ∪ C) = A ∪ B ∪ C
Loi de De Morgan
A∪B=A∩B
A∩B=A∪B

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 16 / 125
Théorie de probabilité

Algèbre des ensembles - Exemple 1.2-2

S = {2 < s ≤ 24}
A = {2 < a ≤ 16}
B = {5 < b ≤ 22}

Questions : Calculers les ensembles suivants :

C=A∩B
A
B
C

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 17 / 125
Théorie de probabilité

Algèbre des ensembles - Exemple 1.2-2

S = {2 < s ≤ 24}
C = A ∩ B = {5 < c ≤ 16}
A = {16 < a ≤ 24}
B = {2 < b ≤ 5, 22 < b ≤ 24}
C = A ∩ B = A ∪ B = {2 < b ≤ 5, 16 < b ≤ 24}

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 18 / 125
Théorie de probabilité

Introduction à la probabilité

L’espace d’échantillonnage, S ou Ω, d’une expérience est l’ensemble de tous les

résultats possibles.
Exemple 1 : Lancer un dé et observer le numéro qui apparaît.
S = {1, 2, 3, 4, 5, 6}
Éléments primitifs ω, chaque ωi un élément de l’espace des échantillons (ou
espace d’échantillonnage) Ω.
Exemple 2 : Lancer un dé et observer si le numéro qui apparaît est pair ou
impair.
S = {pair, impair}
Éléments composés ou Evénement A. Un événement A⟩ est un sous-ensemble
de l’espace des échantillons Ω. C’est un ensemble contenant un ou plusieurs
résultats possibles de l’expérience aléatoire. Lorsqu’un résultat spécifique
(élément) de l’expérience appartient à cet ensemble, l’événement se produit.
L’espace d’échantillonnage, S, peut être discret (dénombrable), discret et infini, ou
continu (non dénombrable et infini).

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 19 / 125
Théorie de probabilité

Introduction à la probabilité

Par exemple, supposons que vous lanciez un dé à six faces. L’espace des échantillons
Ω pour ce lancer de dé serait {1, 2, 3, 4, 5, 6}, représentant tous les résultats
possibles : obtenir 1, 2, 3, 4, 5 ou 6.
Maintenant, considérons deux événements :
Événement A : Obtenir un nombre pair.
A = {2, 4, 6} - C’est un sous-ensemble de Ω qui contient les résultats du lancer
de dé qui sont pairs.
Événement B : Obtenir un nombre supérieur à 4.
B = {5, 6} - C’est un autre sous-ensemble de Ω qui contient les résultats du
lancer de dé qui sont supérieurs à 4.
Dans ce cas, si le dé est lancé et que vous obtenez un résultat qui appartient à
l’ensemble A (un nombre pair), alors l’événement A se produit. De même, si le
résultat appartient à l’ensemble B (nombre supérieur à 4), alors l’événement B
se produit.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 20 / 125
Théorie de probabilité
Introduction à la probabilité

Événements
Un événement A est un sous-ensemble de l’espace d’échantillonnage S ou bien
Ω.
Pour un S donné avec N éléments, le nombre d’événements possibles est 2N .
Définition de la probabilité
La probabilité est un nombre non négatif attribué à chaque événement ⊂ S.
La probabilité est une fonction ou une correspondance mapping des événements
vers R+ ∪ {0}. P : F → R+ ∪ {0}, où la tribu F représente P(Ω) = 2Ω quand
Ω est discret.
Si A est un événement, P(A) est sa probabilité.

E. Erraitab Figure 3 aux

Introduction – Fonction de probabilité
calculs des probabilité et analyse de données sous
September
R 20, 2024 21 / 125
Théorie de probabilité

Introduction à la probabilité

Axiomes de probabilité
Soit A un événement défini sur S.
Axiome 1 : P(A) ≥ 0
Axiome 2 : P(S) = 1
Axiome
Sn 3 : pour A1 , A2 , . . . , An définis sur S et pour tous m ̸= n, Am ∩ An = ∅
A =S
i=1 i
Sn

P A = P(S) = 1
Pn i=1 i
i=1
P(Ai ) = 1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 22 / 125
Théorie de probabilité

Modèle mathématique des expériences

Une véritable experience est définie mathématiquement par :

1 Attribution d’un espace d’échantillonnage.
2 Définition des événements d’intérêt.
3 Attribution de probabilités aux événements conformément aux axiomes.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 23 / 125
Théorie de probabilité

Exemple 1.3-2
Lancer de deux dés ; observation de la 1,1 1,2 1,3 1,4 1,5 1,6
somme des 2 nombres obtenus. 2,1 2,2 2,3 2,4 2,5 2,6
1 Identifier l’espace 3,1 3,2 3,3 3,4 3,5 3,6
d’échantillonnage S 4,1 4,2 4,3 4,4 4,5 4,6
2 Nous sommes intéressé par les 5,1 5,2 5,3 5,4 5,5 5,6
trois événements : A = {somme = 6,1 6,2 6,3 6,4 6,5 6,6
7}, B = {8 < somme ≤
Table 1 – Espace d’échantillonnage Ω
11}, C = {10 < somme}
appliqué à l’exemple 1.3-2
3 Calculer les probabilités de A, B et
C.
Chaque issue a la même
probabilité d’occurrence et sa
1
probabilité est 36

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 24 / 125
Théorie de probabilité

Exemple 1.3-2
Lancer de deux dés ; observation de la 1,1 1,2 1,3 1,4 1,5 1,6
somme des 2 nombres obtenus. 2,1 2,2 2,3 2,4 2,5 2,6
1 S = {1, 1}, {1, 2}, . . . , {6, 6} 3,1 3,2 3,3 3,4 3,5 3,6
N = |S| = 6 × 6 = 36 4,1 4,2 4,3 4,4 4,5 4,6
2 Intéressé par trois événements : 5,1 5,2 5,3 5,4 5,5 5,6
A = {somme = 7}, B = {8 < 6,1 6,2 6,3 6,4 6,5 6,6
somme ≤ 11}, C = {10 <
Table 2 – Espace d’échantillonnage Ω
somme}
appliqué à l’exemple 1.3-2
3 Probabilités de A, B et C
Chaque issue a la même
probabilité d’occurrence et sa
1
probabilité est 36 P(A) =
6 9 3
36
, P(B) = 36
, P(C ) = 36

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 25 / 125
Théorie de probabilité
Probabilité jointe

Les éléments communs pour A et B constituent l’événement A ∩ B.

P(A ∩ B) est la probabilité conjointe pour A et B.
P(A ∩ B) = P(A) + P(B) − P(A ∪ B)
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Pour des événements disjoints A et B :
P(A ∩ B) = 0
P(A ∪ B) = P(A) + P(B)

Figure 4 – Diagramme de Venn de A ∩ B

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 26 / 125
Théorie de probabilité
Probabilité jointe

• L’événement A ∩ B désigne les éléments communs entre A et B.

• P(A ∩ B) est la probabilité jointe de A et B.

A ∪ B = A ∪ (B − A)
P(A ∪ B) = P(A) + P(B − A) (1)
B = (A ∩ B) ∪ (B − A)
P(B) = P(A ∩ B) + P(B − A) (2)

Des équations (1) et (2) on a :

P(A ∪ B) − P(B) = P(A) − P(A ∩ B)

⇒ P(A ∪ B) + P(A ∩ B) = P(A) + P(B)
⇒ P(A ∩ B) = P(A) + P(B) − P(A ∪ B)

Ou d’une manière équivalente : P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 27 / 125
Théorie de probabilité

Application : Supposons un lancer de dé équilibré à six faces. Les événements A et B

sont définis comme suit :

A : Obtenir un nombre pair (2, 4, ou 6)

B : Obtenir un nombre supérieur à 3 (4, 5, ou 6)
1 1 2 1
P(A ∩ B) = P(A) + P(B) − P(A ∪ B) = 2
+ 2
− 3
= 3
1 1 1 2
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = 2
+ 2
− 3
= 3

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 28 / 125
Théorie de probabilité

Probabilité conditionnelle
Pour un événement B, si P(B) > 0, alors
P(A∩B)
P(A|B) ≜ P(B)

Si A ∩ B = ∅, alors P(A|B) = 0

P(A|B) est la probabilité de l’événement A sachant que l’événement B s’est déjà produit.
P(A|B) doit satisfaire trois axiomes :

Axiome 1 : P(A ∩ B) ≥ 0, P(B) > 0, donc P(A|B) ≥ 0

P(A∩B)
Axiome 2 : soit S = A, alors P(S|B) = P(B)
=1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 29 / 125
Théorie de probabilité
Probabilité conditionnelle

• Est-ce que P(A | B) satisfait les axiomes de probabilité ? (Suite)

Axiome #3 :
Soient A1 et A2 deux événements tels que A1 ∩ A2 = ∅.
Objectif : Nous voulons montrer que : P(A1 ∪ A2 | B) = P(A1 | B) + P(A2 | B)
Maintenant,
P((A1 ∪A2 )∩B) P((A1 ∩B)∪(A2 ∩B))
P(A1 ∪ A2 | B) = P(B)
= P(B)

Puisque A1 ∩ B et A2 ∩ B sont mutuellement exclusifs, alors

P(A1 ∩B)+P(A2 ∩B)
P(A1 ∪ A2 | B) = P(B)

D’où :
P(A1 ∩B) P(A2 ∩B)
P(A1 ∪ A2 | B) = P(B)
+ P(B)

Ainsi, nous avons montré que :

P(A1 ∪ A2 | B) = P(A1 | B) + P(A2 | B)
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 30 / 125
Théorie de probabilité

Probabilité conditionnelle (Axiome 3)

Soient A et B deux événements tels que
A ∩ B = ∅, A ∩ C ̸= ∅, B ∩ C ̸= ∅, et
(A ∩ C ) ∩ (B ∩ C ) = ∅.
P((A ∪ B) ∩ C ) = P(A ∩ C ) + P(B ∩ C )
P((A∪B)∩C )
P(A ∪ B|C ) = P(C )
=
P(A∩C )+P(B∩C )
P(C )

P((A ∪ B)|C ) = P(A∩C

P(C )
)
+ P(B∩C )
P(C )
=
P(A|C ) + P(B|C )

Figure 5 – Diagramme de
Venn d’illustration de
P((A ∪ B)|C

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 31 / 125
Théorie de probabilité
Exemple 1.4-1
Dans une boîte, il y a 100 résistors
ayant une résistance et une tolérance Table 3 – Résistance et tolérance de 100
comme indiqué dans le tableau résistors
ci-dessous à droite. Un résistor est
sélectionné. Chaque résistor a la même Tolérance
probabilité d’être choisi. Résistance Ω 5% 10% Total
22 10 14 24
Définir l’espace d’échantillonnage : 47 28 16 44
100 24 8 32
S = {(22, 5%), (22, 10%), (47, 5%), . . . , Total 62 38 100
. . . , (100, 10%)}

Événements composés :

S = {(22, 5%, 1), . . . , (22, 5%, 10), . . . , (47, 5%, 1), . . . , . . . , (100, 10%, 8)}

Événements élémentaires :
Chaque événement a une probabilité de
1
100
.
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 32 / 125
Théorie de probabilité

Exemple 1.4-1
1 Définir trois événements :
A : Choix d’un résistor de 47 Ω Table 4 – Résistance et tolérance de 100
B : Choix d’un résistor avec une résistors. bis
tolérance de 5%
C : Choix d’un résistor de 100 Ω Tolérance
2 Probabilités des événements : Résistance (Ω) 5% 10% Total
22 10 14 24
P(A) = 0.44, P(B) = 0.62, 47 28 16 44
P(C ) = 0.32 100 24 8 32
P(A ∩ B) = 0.28, P(A ∩ C ) = 0, Total 62 38 100
P(B ∩ C ) = 0.24
P(A|B) = 2862
, P(A|C ) = 0,
P(B|C ) = 24
32

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 33 / 125
Théorie de probabilité
Probabilité totale
Supposons que nous ayons N
événements mutuellement exclusifs Bn ,
n = 1, 2, . . . , N et que ces événements
satisfont :
Bm ∩ Bn = ∅ pour tout m ̸= n,
m,
SNn = 1, 2, . . . , N
B =S
n=1 n
Alors la probabilité P(A) pour tout
événement A défini sur S peut
s’exprimer comme suit :
N
X
P(A) = P(A | Bn ) · P(Bn ) Figure 6 – Diagramme de Venn de N
n=1 événements mutuellement exclusifs Bn et
d’un autre événement A
Cette expression est connue sous le nom
de probabilité totale de l’événement A.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 34 / 125
 Théorie de probabilité

Probabilité totale
Preuve :

N
! N
[ [
Soit A = A ∩ S = A ∩ B1 = (A ∩ Bn )
n=1 n=1
"N # N
[ X
P(A) = P (A ∩ Bn ) = P(A ∩ Bn )
1 n=1
N
X
P(A) = P(A | Bn ) · P(Bn )
n=1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 35 / 125
Théorie de probabilité
Théorème de Bayes
Nous avons :
P(Bn ∩A)
P(Bn |A) = P(A)
, P(A) ̸= 0 (1)
P(A∩Bn )
P(A|Bn ) = P(Bn )
, P(Bn ) ̸= 0 (2)

En égalant (1) et (2) :

P(A|Bn ) · P(Bn )
P(Bn |A) =
P(A)

En substituant la probabilité totale de A :

P(A|Bn ) · P(Bn )
P(Bn |A) =
P(A|B1 ) · P(B1 ) + · · · + P(A|BN ) · P(BN )

Pour n = 1, 2, . . . , N.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 36 / 125
Théorie de probabilité

Exemple 1.4-2.
Un système élémentaire de communication binaire se compose d’un émetteur qui envoie
l’un des deux symboles possibles (un 1 ou un 0) sur un canal à un récepteur. Le canal
provoque parfois des erreurs de sorte qu’un 1 apparaît chez le récepteur comme un 0, et
vice versa. L’espace d’échantillonnage comporte deux éléments (0 ou 1), nous désignons
par Bi , i = 1, 2, les événements “Le symbole avant le canal est 1” et “le symbole avant le
canal est 0”, respectivement. Les probabilités que les symboles 1 et 0 sélectionnés pour la
transmission sont supposées être P(B1 ) = 0.6 et P(B2 ) = 0.4.

A1 Le symbole avant le canal est 1.

A2 Le symbole avant le canal est 0.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 37 / 125
Théorie de probabilité
Exemple 1.4-2
S = {1, 0}
Événements :
B1 : bit avant le canal est 1
B2 : bit avant le canal est 0
A1 : bit après le canal est 1
A2 : bit après le canal est 0
P(B1 ) = 0.6, P(B2 ) = 0.4
P(A1 |B1 ) = 0.9, P(A2 |B1 ) = 0.1
P(A1 |B2 ) = 0.1, P(A2 |B2 ) = 0.9

Figure 7 – Modèle diagrammatique du

système de communication binaire
symétrique applicable à l’exemple 1.4-2

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 38 / 125
Théorie de probabilité

Exemple 1.4-2
Calculez les probabilités suivantes :

P(A1 )
P(A2 )
P(B1 | A1 )
P(B2 | A2 )
P(B1 | A2 )
P(B2 | A1 )

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 39 / 125
Théorie de probabilité

Exemple 1.4-2

P(A1 ) = P(A1 | B1 ) · P(B1 ) + P(A1 | B2 ) · P(B2 ) = 0.9 × 0.6 + 0.1 × 0.4 =

0.54 + 0.04 = 0.58
P(A2 ) = P(A2 | B1 ) · P(B1 ) + P(A2 | B2 ) · P(B2 ) = 0.1 × 0.6 + 0.9 × 0.4 =
0.06 + 0.36 = 0.42
Notez que P(A2 ) = 1 − P(A1 )
P(A1 |B1 )·P(B1 ) 0.9×0.6
P(B1 | A1 ) = P(A1 )
= 0.58
≈ 0.931
P(A2 |B2 )·P(B2 ) 0.1×0.4
P(B2 | A2 ) = P(A2 )
= 0.58
≈ 0.857
P(A2 |B1 )·P(B1 ) 0.1×0.6
P(B1 | A2 ) = P(A1 )
= 0.42
≈ 0.143
P(A1 |B2 )·P(B2 ) 0.9×0.4
P(B2 | A1 ) = P(A1 )
= 0.42
≈ 0.069

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 40 / 125
Théorie de probabilité

Exemple 1.4-4

Une boîte contient 6 balles vertes, 4 balles noires et 10 balles jaunes. Toutes les balles
ont la même probabilité d’être tirées. Quelle est la probabilité de tirer 2 balles vertes
de la boîte si la balle lors du premier tir n’est pas remplacée (n’est pas remise) ?
Soit G l’événement "tirer une balle verte".
6
P(G) = 20
= 0.3
5
P(G|G) = 19
≈ 0.2631
5
P(G ∩ G) = 0.3 × 19
≈ 0.0789

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 41 / 125
Théorie de probabilité

Événements Indépendants

Soient A et B deux événements, tels que P(A) ̸= 0 et P(B) ̸= 0, nous appelons A et

B statistiquement indépendants si la probabilité d’occurrence d’un événement n’est
pas affectée par l’occurrence de l’autre événement.
Mathématiquement, P(A | B) = P(A) et P(B | A) = P(B). De plus,
P(A ∩ B) = P(A) · P(B).
A et B ne peuvent PAS être à la fois mutuellement exclusifs et indépendants :
A ∩ B = ∅ si A et B sont mutuellement exclusifs.
A ∩ B ̸= ∅ si A et B sont indépendants.
Trois événements A1 , A2 et A3 sont indépendants si
P(A1 ∩ A2 ∩ A3 ) = P(A1 ) · P(A2 ) · P(A3 ).

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 42 / 125
Théorie de probabilité

Événements Indépendants - Exemple

Deux dés sont lancés ; les dés ne sont pas truqués

A = {le nombre sur le premier dé = 1}
B = {somme des deux dés = 7}
C = {somme des deux dés = 5}
6 6 4
P(A) = 36
, P(B) = 36
, P(C ) = 36
1 1
P(A ∩ B) = 36
, P(A ∩ C ) = 36
, P(B ∩ C ) = 0
P(A ∩ B) = P(A) · P(B), donc A et B sont indépendants.
P(A ∩ C ) ̸= P(A) · P(C ), donc A et C ne sont PAS indépendants.
P(B ∩ C ) = 0, donc B et C sont mutuellement exclusifs et ils ne sont pas
indépendants.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 43 / 125
Théorie de probabilité
Événements Indépendants
Montrer la proposition suivante :
P(A∩B)
Si B et A sont deux événements indépendants, P(B/A) = P(A)
= P(B) alors les
événements B et Ā sont indépendants.
Preuve :

B =B∩S
= B ∩ (A ∪ Ā)
= (B ∩ A) ∪ (B ∩ Ā)
P(B) = P(B ∩ A) + P(B ∩ Ā)
P(B ∩ Ā) = P(B) − P(B ∩ A)
= P(B) − P(B) × P(A)
= P(B)[1 − P(A)]
P(B ∩ A) = P(B)P(Ā)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 44 / 125
Théorie de probabilité

Partie 3

Expériences combinées

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 45 / 125
Théorie de probabilité
Expériences combinées
Les expériences combinées sont
constituées de sous-expériences :
Exemple (vitesse du vent,
pression).
Répéter une expérience N fois :
Lancer une pièce N fois.
Pour deux expériences indépendantes
(S1 , Ω1 , P1 ) avec N éléments et
(S2 , Ω2 , P2 ) avec M éléments, nous
pouvons former une expérience
combinée S avec N × M éléments où
S = S1 × S2 = {(s1 , s2 ) : s1 ∈ S1 , s2 ∈
S2 }.
Les événements sur l’espace combiné
(Expérience combinée),
s1 ∈ A, s2 ∈ B, C = A × B
A × B = (A × S2 ) ∩ (S1 × B)
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 46 / 125
Théorie de probabilité

Expériences combinées
Probabilité des expériences combinées
3 expériences indépendantes (Si , Ωi , Pi ), i = 1, 2, 3, peuvent définir un espace de
probabilité combiné (S, Ω, P) :
S = S1 × S2 × S3
Ω = Ω1 × Ω2 × Ω3
P (A1 × A2 × A3 ) = P (A1 ) P (A2 ) P (A3 ) , A i ∈ Ωi

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 47 / 125
Théorie de probabilité

Expériences combinées
Expériences combinées
Formant une seule expérience en combinant des expériences individuelles
Deux expériences individuelles avec S1 et S2 :
S = S1 × S2 = {toutes les paires possibles ordonnées (s1 , s2 ) : s1 ∈ S1 et s2 ∈ S2 }
Si |S1 | = M et |S2 | = N, alors |S| = M × N
Exemple :
S1 : lancer d’une pièce → S1 = {H, T }
S2 : lancer d’un dé → S2 = {1, 2, 3, 4, 5, 6}
S = S1 × S2 = {(H, 1), (H, 2), (H, 3), (H, 4), (H, 5), (H, 6),
(T , 1), (T , 2), (T , 3), (T , 4), (T , 5), (T , 6)}

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 48 / 125
Théorie de probabilité

Expériences combinées
Expériences combinées
Événements :
Pour A ⊂ S1 , B ⊂ S2
C = A × B = {Tous les pairs possibles ordonnées a, b : a ∈ A et b ∈ B}
Probabilités :
Nous nous intéressons aux expériences indépendantes
P(A × B) = P(A) × P(B)
P(S1 × B) = P(S1 ) × P(B) = P(B)
P(A) × S2 = P(A) × P(S2 ) = P(A)
Application : Soit A l’événement qui représente l’apparition H sur la pièce et l’événement
B qui représente l’apparition du 1 ou 2 sur le dé.
2
Ainsi, C = {(H, 1), (H, 2)} et P(C ) = 12 = 16 , de même, on a : P(A) = 21 et P(B) = 13 .
1 1 1
P(A) × P(B) = 2 × 3 = 6

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 49 / 125
Théorie de probabilité

Permutations
Nombre de manières différentes de choisir r éléments parmi n éléments et de les
arranger dans une séquence.
Nombre de séquences possibles (permutations) de r éléments pris parmi n éléments
lorsque l’ordre d’apparition est important.
Prn = n!
(n−r )!
= n · (n − 1) · (n − 2) · . . . · (n − r + 1)
Exemple : Combien de mots se composent de 4 lettres distinctes dans la langue
anglaise ?
n = 26, r = 4
P426 = 26 × 25 × 24 × 23 = 26!
(26−4)!

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 50 / 125
Théorie de probabilité

Combinaisons
Lorsque l’ordre des éléments dans une séquence n’est PAS important.
Nombre de séquences possibles (combinaisons) de r éléments pris parmi n éléments.
Prn
n

n!
r
= Prr
= (n−r )!·r !

Prr représente le nombre d’arrangements de r éléments.

Exemple : Un groupe de 4 étudiants sera sélectionné parmi 10 étudiants. Combien de
groupes peuvent être sélectionnés ?
n =
10, r = 4
10 10!
4
= (10−4)!·4! = 210

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 51 / 125
Théorie de probabilité
Essais de Bernoulli
Considérons une expérience avec N essais indépendants.
Dans chaque essai, il n’y a que deux résultats.
Soit A le premier résultat, Ā sera le second résultat.
S = {A, Ā}, si P(A) = ρ alors P(Ā) = 1 − ρ
Quelle est la probabilité que A soit observé k fois sur N expériences ?

P(AA . . . A} |ĀĀ{z
| {z . . . Ā
})
k termes (N-k) termes

= P(A) × P(A) × . . . × P(A)P(Ā)P(Ā) . . . P(Ā)

= ρk (1 − ρ)N−k
| {z }
la probabilité d’une séquence

P(A se produit exactement k fois )

 
N k
= ρ (1 − ρ)N−k
k
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 52 / 125
Théorie de probabilité

Essais de Bernoulli
Application
On sait que la probabilité de pluie en une journée donnée en avril est de 70%. La
probabilité pour chaque jour est indépendante du jour précédent. Notez qu’avril
comporte 30 jours.
Quelle est la probabilité qu’il ne pleuve pas en avril ?

P(Il pleut 0 jours)

 
30
= (0.7)0 (0.3)30
0
= P(Pas de pluie pendant 30 jours)
 
30
= (0.3)0 (0.7)30
30

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 53 / 125
Théorie de probabilité

Essais de Bernoulli (Suite . . .)

Quelle est la probabilité qu’il y ait au moins 29 jours de pluie en avril ?

P(Pluie pendant 29 ou 30 jours)

   
30 30
= (0.7)29 (0.3)1 + (0.7)30 (0.3)0
29 30

Quelle est la probabilité qu’il pleuve au plus 28 jours en avril ?

28  
X 30
P(Pluie pendant 0, 1, . . ., 28 jours) = (0.7)k (0.3)30−k
k
k=0
    
30 30
=1− (0.7)29 (0.3)1 + (0.7)30 (0.3)0
29 30

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 54 / 125
Théorie de probabilité
Essais de Bernoulli (Suite . . .)
Quelle est la probabilité qu’il pleuve les jours impairs et qu’il ne pleuve pas les jours pairs
en avril ?

P(Pluie les jours impairs et pas les jours pairs)

= P(R R̄ . . . R R̄)
= (0.7)15 (0.3)15

Quelle est la probabilité qu’il pleuve pendant trois jours consécutifs en avril ?
Sur une durée d’un mois de 30 jours, il existe 28 séquences possibles de trois jours
consécutifs. En supposant que la probabilité de pluie un jour donné est indépendante des
autres, la probabilité qu’il pleuve pendant trois jours consécutifs est :

P(Pluie pendant 3 jours consécutifs)

= (0.7)3 × (0.3)2 7
la probabilité qu’il pleuve pendant trois jours consécutifs en avril est
= 28 × (0.7)3 × (0.3)27
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 55 / 125
Théorie de probabilité
Le Concept de Variable Aléatoire
Une Variable Aléatoire (VA), X , est une fonction qui associe tous les éléments de
l’espace d’échantillonnage, S, à des points sur R.
Une VA est représentée par une lettre majuscule, par exemple W , X , Y .
Une valeur spécifique de la VA est représentée par une lettre minuscule, par exemple
w, x, y.
Ainsi, étant donné S, pour tout s ∈ S, X (s) ∈ R est la VA.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 56 / 125
Théorie de probabilité
Le Concept de Variable Aléatoire : Exemple 01
Lancer d’une pièce de monnaie & Lancer d’un dé
Quelle est X (s) ?

−2 × s2 , si s1 = H
X (s) =
s2 , si s1 = T
Quel est l’intervalle de X(s), RX (s) ? RX (s) = {−12, −10, −8, −6, −4, −2, 1, 2, 3, 4, 5, 6}

Figure 9 – Illustration d’une variable aléatoire X (s) : Exemple 01

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 57 / 125
Théorie de probabilité
Le Concept de Variable Aléatoire : Exemple 02
Roue de la fortune
S = {0 < s ≤ 12}
X (s) = s 2
Quel est l’intervalle de X (s), RX (s) ? RX (s) = {0 < x ≤ 144}

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 58 / 125
Théorie de probabilité

Le Concept de Variable Aléatoire

L’intervalle de la variable aléatoire, RX (s) , représente toutes les valeurs possibles
assumées par X (s).
Avec une VA, tous les événements sont définis de manière très cohérente.
Ils (c’est-à-dire, les événements) seront toujours numériques.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 59 / 125
Théorie de probabilité

Le Concept de Variable Aléatoire

Conditions pour qu’une fonction soit une variable aléatoire
1 Pour tout s ∈ S, X (s) a UNE SEULE valeur.
2 L’ensemble {X (s) ≤ x } doit être un événement où {X (s) ≤ x } représente tous les
points s ∈ S tels que X (s) ≤ x .
X
P{X (s) ≤ x } = P(s)
X (s)≤x

3 P{X (s) = −∞} = 0 et P{X (s) = ∞} = 0.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 60 / 125
Théorie de probabilité
Variables Aléatoires Discrètes et Continues
Une variable aléatoire discrète a uniquement des valeurs discrètes (dénombrables).
Exemple : l’exemple précédent du lancer d’une pièce de monnaie et du lancement
d’un dé.
Une variable aléatoire continue a une plage de valeurs continues.
Exemple : l’exemple précédent de la roue de la fortune.
Une variable aléatoire discrète peut avoir un espace d’échantillonnage discret ou
continu.
Exemple : l’exemple précédent de la roue de la fortune a un espace
d’échantillonnage continu, mais X peut être :

1, 0<s≤6
X (s) =
−1, 6 < s ≤ 12

Ici, RX = {−1, 1}.

Ou alors, X peut être continu comme précédemment.
Une variable aléatoire continue ne peut être produite QUE depuis un espace
d’échantillonnage continu.
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 61 / 125
Théorie de probabilité

Fonction de densité
La Fonction de Densité
Une variable aléatoire discrète a une fonction de masse de probabilité associée (pmf).
La pmf donne la probabilité de chaque x ∈ RX .
La pmf est représentée par pX (x ) telle que pX (x ) ≜ P(X = x ).
Propriétés :
1 p
P X (x ) ≥ 0
2 p (x ) = 1
tous x X
Px2
De plus, P(x1 < X ≤ x2 ) = x1 +1
pX (x ),
où x1 + 1 est la valeur suivante après x1 , PAS (x1+1 ).

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 62 / 125
Théorie de probabilité

Fonction de densité
Exercice : Soit S = {−2, −1, 0, 1, 2, 3}. Soit X (s) = s 2 + 1.
1 Trouver RX .
2 Calculer PX (x = 5).
3 Calculer P(0 < x ≤ 5).
4 Calculer P(X > 2)
Solution :
1 RX = {1, 2, 5, 10}.
2 Calculer la pmf à la valeur 5.
1 1
P(X = 5) ≜ pX (x ) = 5 = P(s = −2) + P(s = 2) = 6
+ 6
= 31 .
P5 1 2 2
3 P(0 < x ≤ 5) = i=Next value 0
PX (i) = PX (1) + PX (2) + PX (5) = 6
+ 6
+ 6
= 56 .
P∞ 3
4 P(X > 2) = x =5
= px (5) + px (10) = 6

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 63 / 125
Théorie de probabilité

Fonction de densité
La Fonction de Densité
Une variable aléatoire continue a une fonction de densité de probabilité associée
(pdf ).
R x2
La (pdf ) est représentée par fX (x ) telle que P(x1 ≤ X ≤ x2 ) ≜ x1
fX (x ) dx .
Propriétés :
1 fRX (x ) ≥ 0 ∀ x.
∞
2
−∞ X
f (x ) dx = 1 (Preuve : P(−∞ < X < ∞))
Rx
3 P(X = x1 ) = 0 (Preuve : P(x1 ≤ X ≤ x1 ) = x 1 fX (x ) dx )
1
4
RP(x 1 ≤ X ≤ x2 ) = P(x1 < X ≤ x2 ) = P(x1 ≤ X < x2 ) = P(x1 < X < x2 ) =
x2
x
fX (x ) dx
1

Notez que la pmf est une probabilité, alors que la pdf N’EST PAS une probabilité.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 64 / 125
Théorie de probabilité

Fonction de densité
Exemple : la PMF d’une v.a discrète
Soit RX = {−1, −0.5, 0.7, 1.5, 3} l’ensemble des valeurs possibles de la variable aléatoire discrète
X.
On donne les probabilités suivantes :
P(X = −1) = pX (−1) = 0.1
pX (−0.5) = 0.2
pX (0.7) = 0.1
pX (1.5) = 0.4
Quelle est la valeur de pX (3) ?
La loi de probabilité d’une variable aléatoire discrète doit vérifier deux propriétés :
Positivité : pX (x ) ≥ 0 pour tout x ∈ RX .
P
Normalisation : x ∈RX
pX (x ) = 1.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 65 / 125
Théorie de probabilité

Fonction de densité
Exemple : la PMF d’une v.a discrète (Suite)
Étant donné que toutes les probabilités sont positives, cette condition est vérifiée. - Normalisation :
X
pX (x ) = pX (−1) + pX (−0.5) + pX (0.7) + pX (1.5) + pX (3)
x ∈RX

= 0.1 + 0.2 + 0.1 + 0.4 + pX (3)

= 0.8 + pX (3)
Pour que la somme soit égale à 1, il faut que pX (3) = 1 − 0.8 = 0.2.
Donc, pX (3) = 0.2.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 66 / 125
Théorie de probabilité

Fonction de densité
Exercice : Si fX (x ) est une fonction de densité de probabilité pour une variable aléatoire
continue X définie comme suit :

α(1 + x ) −1 ≤ x ≤ 1
fX (x ) = .
0 ailleurs

1) Trouver α pour que fX (x ) soit une fonction de densité de probabilité valide.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 67 / 125
Théorie de probabilité
Fonction de densité
Solution : Pour que fX (x ) soit une fonction de densité de probabilité, il faut que :

Z +∞
fX (x ) = 1
−∞
Z 1
α(1 + x )dx = 1
−1
Z 1
(α + αx )dx = 1
−1
1
αx 2
αx + =1
2
−1
α α
   
α+ − −α + =1
2 2
2α = 1
1
α= .
2
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 68 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Fonction de distribution Cumulative : La probabilité P{X ≤ x } est la probabilité de
l’événement {X ≤ x }. C’est un nombre qui dépend de x , c’est-à-dire, c’est une fonction
de x . Nous appelons cette fonction, notée FX (x ), la fonction de distribution cumulative de
la variable aléatoire X . Ainsi, FX (x ) = P{X ≤ x }.
Nous appellerons souvent FX (x ) simplement la fonction de distribution de X . L’argument
x est un nombre réel pouvant varier de −∞ à +∞. La fonction de distribution possède
certaines propriétés spécifiques dérivées du fait que FX (x ) est une probabilité. Ces
propriétés sont :
1 FX (−∞) = 0
2 FX (∞) = 1
3 0 ≤ FX (x ) ≤ 1
4 FX (x1 ) ≤ FX (x2 ) si x1 < x2
5 P{x1 < X ≤ x2 } = FX (x2 ) − FX (x1 )
6 FX (x + ) = FX (x )

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 69 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

(R x
f (τ )dτ
−∞ X
si X est continue
FX (x ) ≜ P(X ≤ x ) = P(−∞ < X ≤ x ) = P
k≤x
pX (k) si X est discrète
dFX (x )
Si X est une variable aléatoire continue, fX (x ) = dx
.
Si X est une variable aléatoire discrète, pX (xi ) = P(X ≤ xi ) − P(X ≤ xi − 1) ou
pX (xi ) = FX (xi ) − FX (xi − 1) où xi − 1 est la valeur précédente de x .

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 70 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Exemple
Soit RX = {−1, −0.5, 0.7, 1.5, 3} avec pX (−1) = 0.1, pX (−0.5) = 0.2, pX (0.7) = 0.1,
pX (1.5) = 0.4, pX (3) = 0.2.
Trouver FX (x )
Solution
P(X < −1) = 0.0 ̸= FX (−1)
P(X ≤ −1) = FX (−1) = 0.1
P(X ≤ −0.5) = FX (−0.5) = 0.3
P(X ≤ 0.7) = FX (0.7) = 0.4
P(X ≤ 1.5) = FX (1.5) = 0.8
P(X ≤ 3.0) = FX (3.0) = 1.0
(Extra) Trouver P(0.7 ≤ X < 3)
Solution
P(0.7 ≤ X < 3) = pX (0.7) + pX (1.5) = 0.5
Mais, FX (3) − FX (0.7) = 1.0 − 0.4 = 0.6
P(0.7 ≤ X < 3) = P(−0.5 < X ≤ 1.5) = FX (1.5) − FX (−0.5) = 0.5

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 71 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Exemple 2.3-1 & 2.3-2
Soit la fonction GX (x ) définie comme suit :
x 3

 − , 3≤x <8

25 25

gX (x ) = − x + 13 , 8 ≤ x < 13
 25 25


0, sinon
Question : Calculer GX (x )

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 72 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 73 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Exemple 2.3-1 & 2.3-2
1 Trouver GX (x )
−∞<x ≤3 (1)
Z x Z x
GX (x ) = gX (τ )dτ = 0 · dτ = 0
−∞ −∞
3≤x ≤8 (2)
Z x Z 3 Z x
τ 3

GX (x ) = gX (τ )dτ = 0 · dτ + − dτ
−∞ −∞ 3
25 25
x
τ2 3τ x 2 − 6x + 9
= − =
50 25 50
3

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 74 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Exemple 2.3-1 & 2.3-2 Suite

8 ≤ x ≤ 13 (3)
Z x Z 8 Z x
τ 13

GX (x ) = gX (τ )dτ = gX (τ )dτ + − + dτ
−∞ −∞ 8
25 25
x
1 −τ 2 13τ
= + +
2 50 25
8
−x 2 + 26x − 119
=
50

13 ≤ x < ∞ (3)
Z x Z 13 Z x
GX (x ) = gX (τ )dτ = gX (τ )dτ + 0 · dτ = 1.0 + 0.0 = 1.0
−∞ −∞ 13

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 75 / 125
Théorie de probabilité

Fonction de distribution Cumulative (cdf)

Exemple 2.3-1 & 2.3-2 Suite

 0, −∞ < x ≤ 3
2

 x − 6x + 9 ,


3≤x ≤8
Ainsi, GX (x ) = 50
x2 − 26x − 119

 , 8 ≤ x ≤ 13

 50
13 ≤ x < ∞

1.0,
Extrac : Calculer P(4.5 ≤ X ≤ 16.7)
P(4.5 ≤ X ≤ 16.7) = GX (16.7) − GX (4.5) = 1.0 − 0.045 = 0.955

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 76 / 125
Théorie de probabilité
La Variable Aléatoire Gaussienne
La pdf de la variable aléatoire gaussienne est donnée par :
(x −aX )2
1 −
2σ 2
fX (x ) = p e X , où − ∞ < ax < ∞ σX > 0
2πσX2

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 77 / 125
Théorie de probabilité

La Variable Aléatoire Gaussienne

La CDF de de la pdf de la loi normale est donnée par la formule :

Z x Z x (τ −aX )2
1 −
2σ 2
FX (x ) = fX (τ )dτ = p e X dτ
−∞ 2πσX2 −∞

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 78 / 125
Théorie de probabilité

Normalisation de la Variable Aléatoire Gaussienne

Z x − (x −τ )2
1 2σ 2
FX (x ) = p e X dτ (1)
2πσX2 −∞

Soit GZ (z) la CDF d’une v.a gaussienne avec az = 0 et σz = 1

Z z
1 τ2
GZ (z) = √ e− 2 dτ (2)
2π −∞

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 79 / 125
Théorie de probabilité

Normalisation de la Variable Aléatoire Gaussienne

Objectif :
Nous voulons montrer que FX (x ) peut être trouvée en termes de GZ (z).
Nous utilisons le changement de variable pour FX (x ) dans l’équation (1). On
procède comme suit :

• On utilise le changement de variable pour FX (x ), i.e., l’équation (1) ci-dessus

τ − µX
•u = =⇒ σX · du = dτ
σX
x − µX
• τ → −∞ =⇒ u → −∞; τ → x =⇒ u =
σX

Ce qui donne :
Z (x −µX )/σX Z (x −µX )/σX
1 u2 1 u2
FX (x ) = √ e− 2 · σX du = √ e− 2 du
2πσX −∞ 2π −∞

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 80 / 125
Théorie de probabilité

La forme tabulée de la loi normale standard GZ (z)

Comparons maintenant :

Z (x −µX )/σX
1 u2
FX (x ) = √ e− 2 du
2πσX −∞
à
Z z
1 u2
GZ (z) = √ e− 2 du
2π −∞

Donc,
x − µX
 
FX (x ) = GZ
σX
Notons que GZ (−z) = 1 − GZ (z).
Preuve : Changement de variable dans GZ (z) avec u = −z.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 81 / 125
Théorie de probabilité

La forme tabulée de la loi normale standard GZ (z)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 82 / 125
Théorie de probabilité

La forme tabulée de la loi normale standard GZ (z)

Exemple 2.4-2
On suppose que la hauteur des nuages au-dessus du sol à un endroit donné est une variable
aléatoire gaussienne X avec µX = 1830 m et σX = 460 m. On cherche la probabilité que les
nuages soient plus hauts que 2750 m (environ 9000 pieds). 1-pnorm(2, mean = 0, sd = 1)

P(X > 2750) = P(∞ > X > 2570)

= P(2750 < X < ∞)
= FX (∞) − FX (2750) FX (x2 ) − FX (x1 )
= 1 − FX (2750)
2750 − 1850
= 1 − GZ ( )
460
= 1 − GZ (2)
= 1 − 0.9773 ≈ 0.0227
Extra : Calculer la valeur de GZ (−0.95).
On a G(−Z ) = 1 − G(z) = 1 − 0.8289

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 83 / 125
Théorie de probabilité
Fonctions de Variables Aléatoires

La valeur espérée d’une fonction de variable aléatoire

Soit la variable aléatoire Y = g(X ), avec g(X ) une fonction quelconque.

Nous cherchons à calculer E(Y ), ou bien E[g(X )]

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 84 / 125
Théorie de probabilité

La valeur espérée d’une fonction de variable aléatoire

Nous cherchons à calculer E(Y ), ou bien E[g(X )]
Si X est continue, alors :
Z ∞
E [Y ] = E [g(X )] = g(x ) · fX (x )dx
−∞

Si X est discrète, alors :

∞
X
E [Y ] = E [g(X )] = g(x ) · pX (x )
x =−∞

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 85 / 125
Théorie de probabilité

Moments par rapport à l’origine

Soit g(X ) = X n , où n = 0, 1, 2, . . . est l’ordre du moment.
Le moment d’ordre n de la variable aléatoire X , noté mn , est défini par :
R ∞ n
x fX (x )dx si X est continue
mn = E [X n ] = P−∞
∞ n
x =−∞
x pX (x ) si X est discrète
Cas particuliers :
1 m0 = E [1] = 1 : correspond à l’aire sous la courbe de densité (ou la somme des probabilités
pour une variable discrète), donc vaut toujours 1.
2 m1 = E [X ] = µ : c’est la moyenne de X .

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 86 / 125
Théorie de probabilité
Moments centrés (par rapport à la moyenne)
Soit g(X ) = (X − X )n , où n = 0, 1, 2, . . . est l’ordre du moment.
Le moment centré d’ordre n de la variable aléatoire X , noté µn , est défini par :
R ∞
(x − X )n · fX (x )dx si X est continue
µn = E [(X − X )n ] = P−∞
∞ n
x =−∞
(x − X ) · pX (x ) si X est discrète

Cas particulier :
µ0 = E [1] = 1.0 : correspond à l’aire sous la courbe de densité (ou la somme des probabilités
pour une variable discrète), donc vaut toujours 1.
µ1 = E [X − X̄ ] = 0.0 :
µ2 = E [(X − X̄ )2 ] = σX2 , la variance de X . Donc dorénavant, on note d’une manière
équivoque µ2 ou bien σX2
Une quantité très importante qui fournit une mesure de la dispersion de X autour de sa moyenne
est la variance.
R ∞
(x − µ)2 fX (x )dx si X est continue
σX2 = Var(X ) = E [(X − µ) ] = P2
−∞
∞ 2
x =−∞
(x − µ) pX (x ) si X est discrète
p
Avec σX = σX2 est l’écart type de X .
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 87 / 125
Théorie de probabilité

Moments centrés (par rapport à la moyenne)

σ 2 = E [(X − µ)2 ]
= E [X 2 − 2µX + µ2 ]
= E [X 2 ] − 2µE [X ] + µ2
= E [X 2 ] − µ2
= m2 − m12
La variance est toujours non-négative. Une façon de calculer Var(X ) est d’utiliser la PMF de
(X − E [X ])2 .

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 88 / 125
Théorie de probabilité

Moments centrés (par rapport à la moyenne)

Application :
Soit l’expérience suivante qui consite à lancer deux dés. On définit la variable aléatoire
X = Max (a, b).
1 Calculer la fX (x )
2 Dériver FX (x )
3 Calculer E (X ), V (X ) et σX
Les valeurs de la v.a sont X = {1, 2, 3, 4, 5, 6}

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 89 / 125
Théorie de probabilité
Moments centrés (par rapport à la moyenne) (Suite de l’application )
Solution : Identificaion de Ω

1 2 3 4 5 6
1 1 2 3 4 5 6
2 2 2 3 4 5 6
3 3 3 3 4 5 6
4 4 4 4 4 5 6
5 5 5 5 5 5 6
6 6 6 6 6 6 6

Table 5 – X = Max (a, b) des deux lancers

x P(X = x ) FX (x )
1 1
1 36 36
3 4
2 36 36
5 9
3 36 36
7 16
4 36 36
9 25
5 36 36
11
6 36
1
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 90 / 125
Théorie de probabilité

Moments centrés (par rapport à la moyenne) (Suite de l’application )

Solution : Calcul de µ et σ 2
P
On a µx = X · P(X = xi )
x P(X = x ) FX (x ) x · P(X = x ) x 2 · P(X = x )
1 1 1 1
1 36 36 36 36
3 4 6 12
2 36 36 36 36
5 9 15 45
3 36 36 36 36
7 16 28 112
4 36 36 36 36
9 25 45 225
5 36 36 36 36
11 66 396
6 36
1 36 36
161 791
P P
E (X ) = µX = x · P(X = x ) = 36
& E (X 2 ) = x 2 · P(X = x ) = 36
161 2
791


Ainsi, V (X ) = E (X 2 ) − E (X )2 = 36
− 36

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 91 / 125
Théorie de probabilité

La valeur espérée d’une fonction de variable aléatoire

Application :
Calcul de l’espérance d’une v.a X qui suit la loi exponentielle

Z +∞ Z +∞
E(X ) = tf (t) dt = tλe −λt dt
0 0
Utilison l’intégrale par partie :
Posons u(t) = t u ′ (t) = 1
v ′ (t) = λe −λt v (t) = −e −λt
Z +∞
 +∞
E(X ) = −te −λt − −e −λt dt
0
0
t
Remarquons que lim te −λt = lim =0
t→+∞ t→+∞ e λt
- car l’exponentielle décroît plus rapidement que la fonction linéaire

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 92 / 125
Théorie de probabilité

La valeur espérée d’une fonction de variable aléatoire

Z +∞ Z +∞
−λt 1
E(X ) = e dt = −λe −λt dt
0
λ 0
−1  −λt ∞
= e
λ 0
−1  0
 −1 1
= 0−e = (−1) =
λ λ λ
1
E(X ) =
λ

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 93 / 125
Théorie de probabilité
La valeur espérée d’une fonction de variable aléatoire
Calcul de la variance de la v.a qui suit la loi exponentielle

V (X ) = E(X 2 ) − E(X )2
Z +∞ Z +∞
E(X 2 ) = t 2 f (t)dt = t 2 λe −λt dt
0 0
Posons u(t) = t 2
et v ′ (t) = λe −λt

u ′ (t) = 2t et v (t) = −e −λt

Z ∞ Z ∞
 ∞
E(X 2 ) = −t 2 e −λt − −2tλe −λt dt = 2tλe −λt dt
0
0 0
Z ∞ Z ∞
2
E(X 2 ) = 2tλe −λt dt = λte −λt dt
0
λ 0
2 2 1
= E(X ) = ×
λ λ λ
2
E(X 2 ) = 2
λ
2 1 1
On a V (X ) = E(X 2 ) − (E(X ))2 = − ( )2 = 2
λ2 λ λ
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 94 / 125
distributions de probabilités des Variables aléatoires
discrètes

Rappels
Une variable aléatoire est une variable dont la valeur dépend du hasard, sa valeur est
donc associée à une probabilité.
Une variable aléatoire discrète est une variable aléatoire dont les valeurs possibles
peuvent être énumérées.
Une distribution de probabilité est une liste des valeurs possibles et des probabilités
correspondantes d’une variable aléatoire discrète, souvent représentée par une
formule.
La somme des probabilités d’une variable aléatoire discrète pour toute variable
aléatoire discrète X s’écrit comme suit :

N
X
P (X = xi ) = 1 (1)
i=1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 95 / 125
Variables aléatoires discrètes

Exemple
Supposons que notre population étudiée soit constituée de tous les étudiants, de tous
les professeurs et de tous les membres du personnel administratif de la faculté.
Nous choisissons au hasard un de ces individus et lui demandons le nombre de ses
frères et sœurs. Par conséquent, la réponse, à savoir le nombre de frères et sœurs
d’un individu choisi au hasard, est une variable aléatoire discrète, désignée par X .
La valeur réelle (nombre de frères et sœurs) de X dépend du hasard, mais nous
pouvons toujours énumérer toutes les valeurs de X , par exemple 0 frère ou soeur, 1
frère ou sœur, 2 frères ou sœurs, etc.
Pour des raisons de simplification, nous limitons le nombre de frères et sœurs dans
cet exercice à 5.
Nous choisissons cent individus et leur demandons s’ils ont des frères et sœurs.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 96 / 125
Variables aléatoires discrètes - Un exemple

Suite
Les réponses sont : 2, 0, 1, 2, 2, 0, 0, 0, 1, 3, 1, 2, 1, 0, 2, 0, 0, 2, 1, 1, 1, 1, 2, 2, 1,
2, 2, 0, 1, 1, 2, 4, 0, 3, 2, 0, 1, 2, 2, 2, 1, 2, 1, 1, 2, 1, 2, 2, 2, 1, 1, 1, 1, 1, 1, 2, 1,
1, 2, 2, 1, 1, 0, 2, 0, 1, 0, 1, 2, 1, 2, 1, 2, 2, 2, 1, 0, 2, 2, 4, 1, 2, 1, 1, 1, 1, 1, 0, 2, 1,
0, 1, 0, 1, 1, 2, 0, 2, 0, 0

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 97 / 125
Variables aléatoires discrètes - Un exemple

Suite

40

30
count

20

10

0 1 2 3 4
[Link](nb_fs)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 98 / 125
Variables aléatoires discrètes
Suite
la forme de notation devient assez vite confuse si nous augmentons le nombre
d’individus que nous interrogeons.
Nous augmentions la taille de l’échantillon et nous choisissons 1000 personnes et les
interrogeons sur les frères et soeurs.

400

300
f

200

100

0 1 2 3 4 5
siblings

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 99 / 125
distributions de probabilités des Variables aléatoires
discrètes

Dans de nombreuses applications de la vie réelle, nous ne connaissons pas la

distribution de probabilité de la population - et nous ne la connaîtrons jamais.
Cela est dû principalement au fait que, dans de nombreuses applications, la
population est beaucoup trop importante, ou qu’il n’y a aucune chance d’obtenir des
données fiables, et que nous n’avons ni l’argent ni le temps pour une collecte
exhaustive de données.
Cependant, en augmentant le nombre d’observations indépendantes d’une variable
aléatoire X , l’histogramme de proportion de l’échantillon se rapprochera de plus en
plus de l’histogramme de probabilité de la population entière (TCL).

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 100 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Moyenne d’une variable aléatoire discrète

La moyenne d’une variable aléatoire discrète X est notée µX ou, lorsqu’il n’y a pas de
confusion, simplement µ. Les termes valeur espérée, E, et espérance mathématique
sont couramment utilisés à la place du terme moyenne.

N
X
E(X ) = xi P (X = xi ) (2)
i=1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 101 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Moyenne d’une variable aléatoire discrète

Dans un grand nombre d’observations indépendantes d’une variable aléatoire
X , l’espérance E(X ) de ces observations - l’échantillon - se rapprochera de la
moyenne, µ, de la population. Plus le nombre d’observations est important,
plus E(X ) est proche de µ.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 102 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Moyenne d’une variable aléatoire discrète

Frères et soeurs x Fréquence f Fréquence relative
0 205 0.205
1 419 0.419
2 280 0.28
3 65 0.065
4 29 0.029
5 2 0.002
1000 1
Table 7 – Nombre de frères et soeurs de 1000 individus

Sur la base des données de la table, calculez l’E(X )

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 103 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Moyenne d’une variable aléatoire discrète

N
X
E (X ) = xi P (X = xi )
i=1
(3)
= 0 · P(X = 0) + 1 · P(X = 1) + 2 · P(X = 2) + 3 · P(X = 3) + 4 · P(X = 4) + 5 · P(X ≥ 5)
= 0 · 0.205 + 1 · 0.419 + 2 · 0.28 + 3 · 0.065 + 4 · 0.029 + 5 · 0.002
= 1.3

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 104 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète
Distribution de probabilité réelle de la population
La distribution de probabilité réelle

0.4

0.3
probility

0.2

0.1

0.0

0 1 2 3 4 5
siblings

µ = 1 · 0.2 + 2 · 0.425 + 3 · 0.275 + 4 · 0.07 + 5 · 0.025 = 1.31 (4)

La valeur espérée résultante E(X ) = 1.3 est proche de la moyenne µ de la population

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 105 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Exercice
Soit un dé équilibré à six faces. Nous pouvons facilement calculer la valeur espérée
E(X ) en utilisant R. Le terme équilibré signifie que chaque variable aléatoire
X = xi , x ∈ 1, 2, 3, 4, 5, 6 a la même probabilité d’occurrence. Par conséquent,
P(X = xi ) = 16 .

6
X 1 1 1 1 1 1
E (X ) = xi P (X = xi ) = 1 · + 2 · + 3 · + 4 · + 5 · + 6 · = 3.5
6 6 6 6 6 6
i=1
- En R, nous écrivons le code suivant :

# Expected value of a fair six sided dice

[Link] <- 1/6
die <- c(1,2,3,4,5,6)
sum(die*[Link])

## [1] 3.5

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 106 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Exercice - (Suite)
Cependant, que se passe-t-il si nous ne sommes pas sûrs que le dé est équilibré ?
Comment savoir que nous ne sommes pas trompés ? Ou pour le dire en d’autres
termes : Combien de fois devons-nous lancer un dé avant d’être plus confiants qu’il
est équilibré ?
Faisons une expérience de calcul : Nous savons, grâce au raisonnement précédent, que
la valeur espérée d’un dé équilibré à 6 faces est de 3,5. Nous réalisons une expérience
en lançant un dé encore autant de fois. Nous enregistrons le résultat et, avant de
relancer le dé, nous calculons la moyenne de tous les lancers de dés effectués jusqu’à
présent. Afin de réaliser cette petite expérience, nous écrivons une boucle for en R.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 107 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète
Exercice - (Suite - Simulation)
### Simulation ###
eyes <- seq(1,6) # possible events
probs <- rep(1/length(eyes),length(eyes)) # probabilities
[Link] <- round(sum(eyes*probs),2) # calculate expected value
n <- 500 # number of maximum rolls
values <- NULL # initialize an empty vector to store the value
averages <- NULL # initialize an empty vector to store the average values so far

#for-loop
for (roll in 1:n){
values <- c(values, sample(x = eyes, size = 1, prob = probs)) #sample method, type help(sample()) for further information
averages <- c(averages, mean(values))
}

### Plot ###

par(xpd = FALSE)
plot(x = seq(1:length(averages)),
y = averages,
type = 'l',
ylim = c(min(eyes), max(eyes)),
lwd = 2,
ylab = 'Expected value',
xlab = 'number of trials',
col = "#3366FF")
abline(h = [Link], lty = 2, col = 'red')
legend('topright',
legend = paste("Expected value: ", [Link]([Link])),
col = "red",
lty = 2)

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 108 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète

Exercice - (Suite)
6

Expected value: 3.5

5
Expected value

4
3
2
1

0 100 200 300 400 500

number of trials

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 109 / 125
La moyenne et l’écart-type d’une variable aléatoire
discrète
L’écart type
L’écart-type d’une variable aléatoire discrète X est noté σX ou, lorsqu’il n’y a pas de
confusion, simplement σ. Il est défini comme suit :
v
u N
uX
σ=t (xi − µ)2 P(X = xi ) (5)
i=1

Exercice
x <- seq(1,6)
p.x <- [Link](table(values))
sqrt(sum((x-mean(values))ˆ2 * p.x))

## [1] 1.674967

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 110 / 125
Distributions des variables aléatoires discrètes

La distribution binomiale
De nombreuses applications des probabilités et des statistiques concernent la
répétition d’une expérience. Nous appelons chaque répétition un essai ou une épreuve,
et nous sommes particulièrement intéressés par les cas où l’expérience (chaque essai)
n’a que deux résultats possibles : Succès ou échec vrai ou faux, 0 ou 1.
Pour analyser les essais répétés d’une expérience qui a deux résultats possibles, nous
devons connaître les factorielles, les coefficients binomiaux et les épreuves de
Bernoulli.
Sur la base de ces conditions préalables, nous apprenons la distribution binomiale, qui
est une distribution de probabilité pour le nombre de succès dans une séquence
d’épreuves de Bernoulli.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 111 / 125
Distributions des variables aléatoires discrètes

La distribution de Bernoulli
Avant d’introduire la loi binomiale, il est essentiel de comprendre la loi de Bernoulli,
qui en est le fondement. En effet, la loi binomiale modélise la répétition d’expériences
de Bernoulli indépendantes et identiquement distribuées.
Dans toute la suite de ce cours, nous considérerons une variable aléatoire de
Bernoulli, notée (X ), avec le paramètre (p), qui représente la probabilité de succès,
comme suit :

1 avec probabilité p
X =
0 avec probabilité 1 − p
En notation abrégée, nous disons que X ∼ Ber(p).
La PMF de cette loi est donnée par la formule :

p si x = 1
pX (x ) =
1−p si x = 0

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 112 / 125
Distributions des variables aléatoires discrètes
La distribution de Binomiale
Considérons maintenant une expérience composée de N essais indépendants de
Bernoulli.
1 L’espace échantillon de l’expérience est S = S1 × S2 × · · · × SN , où chaque
Si = {A, A}. Ainsi,

S = {(A, A, A, . . . , A), (A, A, A, . . . , A), (A, A, A, . . . , A, A), . . . , (A, A, A, . . . , A)}.

n
, Ainsi, |S| = 2n et le nombre d’événements possibles qu’on peut former est 22 .
2 Soit B = {A est observé exactement k fois de n essais}, ainsi, 0 ≤ k ≤ n
P(A, A, . . . , A, A, A, . . . , A) = P(A) · P(A) . . . P(A) · P(A) · P(A) . . . P(A) =
| {z } | {z } | {z } | {z }
k n−k k n−k
p k · (1 − p)n−k , donc P{A apparaît exactement k fois} = Cnk · p k · (1 − p)n−k
Si ∼ B(n, p), alors :
1 E (X ) = µX = n · p
p √
2 σX = V (X ) = n · p · q

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 113 / 125
Distributions des variables aléatoires discrètes

La distribution de Binomiale : Application

Exercice On lance 10 fois une pièce de monnaie équilibrée. On note X le nombre de
fois où on obtient “pile”.
1 Quelle est la loi de probabilité suivie par la variable aléatoire X ?
2 Quelle est la probabilité d’obtenir exactement 6 fois "pile" ?
3 Quelle est la probabilité d’obtenir au moins 8 fois "pile" ?

Solution :
1 X ∼ B(10, 0.5)
10


2 P(X = 6) = 6
× 0.56 × (1 − 0.5)10−6
3 P(X ≥ 8) = 1 − P(X < 8) = 1 − [P(X = 0) + P(X = 1) + ... + P(X = 7)]

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 114 / 125
Théorie de probabilité

La distribution multinomiale
Pour qu’une expérience puisse être modélisée par une loi multinomiale, les conditions
suivantes doivent être remplies :
1 Nombre fixe d’épreuves : On répète l’expérience n fois, tel que n > 1
2 Indépendance des épreuves : Les résultats de chaque épreuve sont indépendants les
uns des autres.

 1 case

2 case

3 À chaque épreuve, il y a k issues possibles. Pour chaque essai on a :

 ...

last case

On calcule la probabilité d’occurrence de chaque essai des n essais

x
P(X1 = x1 , X2 = x2 , . . . , Xk = xk ) = n!
px 1
x1 !·x2 !...xk ! 1
· p2x 2 . . . pk k

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 115 / 125
Théorie de probabilité

La distribution multinomiale
Application :
On considère un dé pipé à 4 faces, dont les probabilités d’obtenir chacune des faces
sont respectivement : P(1) = 0.4, P(2) = 0.25, P(3) = 0.2, P(4) = 0.15
Si l’on lance ce dé 10 fois, quelle est la probabilité d’obtenir exactement 4 fois la face
1, 2 fois la face 2, 2 fois la face 3 et 2 fois la face 4 ?
A titre d’exemple, parmi les combinaisons qu’on peut avoir est : {1111, 22, 33, 44},
pour cette combinaison particulière, on a :
P(X1 = 4, X2 = 2, X3 = 2, X4 = 2) = 0.44 · 0.252 · 0.22 · 0.152 . Cependant, il existe de
nombreuses séquences différentes qui correspondent à cette répartition (4 fois le 1, 2
fois le 2, etc.). Le nombre de ces séquences est donné par le coefficient multinomial :
10!
4!·2!·2!·2!
Ainsi, la probabilité totale est :
P(X1 = 4, X2 = 2, X3 = 2, X4 = 2) = 10!
4!·2!·2!·2!
· 0.44 · 0.252 · 0.22 · 0.152

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 116 / 125
Théorie de probabilité

La distribution Géométrique
Considérons une séquence d’essais de Bernoulli indépendants où la probabilité de
succès dans chaque essai est p. Soit Y le nombre d’essais jusqu’au premier succès, y
compris celui-ci. Y est une variable aléatoire géométrique de paramètre p.

P(Y = k) = (1 − p)k−1 p, pour k = 1, 2, 3, . . .

Application :
Calculer la probabilité d’obtenir un 6 lors de lancer d’un dé en 3ème tentative ?
P(Y = 3) = (5/6)2 · (1/6)1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 117 / 125
Théorie de probabilité

La distribution de Poisson
Une variable aléatoire X suivant une loi de Poisson avec le paramètre λ a la fonction
de masse de probabilité (PMF) suivante :

λk e −λ
pX (k) = , k = 0, 1, 2, . . .
k!
Cette distribution est utilisée dans de nombreux domaines, notamment en théorie des
files d’attente, en modélisation des événements rares, ainsi qu’en fiabilité des
systèmes, ainsi que dans l’analyse des réseaux de communication et des réseaux
informatiques, où les événements surviennent d’une manière totalement aléatoire et
indépendante.
Généralement utilisée pour une approximation de la loi binomiale. avec les conditions
suivantes :
1 n → ∞ et ,
2 p → 0. Dans la pratique, si n ≥ 30 et p ≤ 0.05 l’approximation est possible.

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 118 / 125
Théorie de probabilité

La distribution de Poisson (Suite)

Les étapes d’approximation :
1 La moyenne est λ = µ = n · p
µx ·e −µ
2 pX (x ) = x!
µx ·e −µ
P∞
3
0 x!
=1

La CDF de la distribution de Poisson est donnée par la formule :

x
X e −b b k
FX (x ) =
k!
k=0

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 119 / 125
Théorie de probabilité

La distribution de Poisson (Suite)

Application :
Les erreurs typographiques dans une page d’un livre suit la loi de poisson avec une
moyenne d’une erreur par page. µ = 1 error per page
Calculer la probabilité qu’il y au moins 2 erreurs dans cette page.

P(X ≥ 2) = 1 − P(X ≤ 1)
= 1 − [P(X = 0) + P(X = 1)]
 
10 e −1 11 e −1
=1− +
0! 1!
P(X ≥ 2) = 1 − 2e −1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 120 / 125
Théorie de probabilité

La distribution Uniforme Discrète

La variable aléatoire uniforme discrète prend des valeurs entières consécutives dans
un intervalle fini avec des probabilités égales. Autrement dit, X est uniformément
distribué dans [a, b], avec b > a, si et seulement si

1
pX (k) = pour k = a, a + 1, a + 2, . . . , b
b−a+1

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 121 / 125
Théorie de probabilité

La Variable Aléatoire exponentielle Continue

La fonction de densité de probabilité est donnée par la formule suivante :

λe −λx ,

x ≥0
fX (x ) = où λ > 0
0, x <0

Propriétés :
R∞
1
0
λe −λx dx = 1
1
2 µ = E (X ) = λ
1 1
3 V (X ) = λ2
⇒σ= λ

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 122 / 125
Théorie de probabilité
La Variable Aléatoire exponentielle Continue (Suite)
Application :
La durée de vie d’une marque d’ampoules est : µ = 1500 hr.
1 Une ampoule a été choisie au hasard, quelle est la probabilité qu’elle fonctionne plus
que 200 hr.

1 1 0 x <0
On a : λ = = , ainsi, fX (x ) = x ,
µ 1500 1
1500
e − 1500 x ≥0
Z ∞
1 − 1500
x
P(X > 2000) = e · dx
1500
"2000 −x
#∞
1 e 1500
= · −1
1500 1500
2000
h −x
i∞
= −e 1500
2000

= (0 − e −4/3 ) = 0.264
E. Erraitab Introduction aux calculs des probabilité et analyse de données sous
September
R 20, 2024 123 / 125
Théorie de probabilité

La Variable Aléatoire exponentielle Continue

Application : (Suite)
2 Calculer la probabilité que l’ampoule choisie au hasard fonctionne moins de 200 hr

Z 200
P(X < 200) = f (x )dx
0
h −x
i200
= −e 1500
0
 −2

=− e 15 −1

= 0.125

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 124 / 125
Théorie de probabilité

La Variable Aléatoire Uniforme Continue

( 1
, a≤x ≤b
fX (x ) = b−a où −∞<a <b <∞
0, sinon

Sur la base de la fonction de densité de probabilité de la loi uniforme, dérive la

fonction CDF de cette loi
Solution :
Z x


 0 dτ = 0, x <a

 −∞
 Z a Z x
 1 x −a
FX (x ) = 0 dτ + dτ = , a≤x ≤b
b−a b−a


 Z−∞
b
a Z
x

fX (τ ) dτ + 0 dτ = 1.0, x >b



−∞ b

E. Erraitab Introduction aux calculs des probabilité et analyse de données sous

September
R 20, 2024 125 / 125