Probabilités et Statistique pour DS

- Intro. probabilité
- Théorème de bayes
- Variable Aléatoire
- Lois de distribution de probabilité

1 Introduction aux probabilités

Qu'est-ce que la probabilité ?
Qu'est-ce que la probabilité ?
Mesure qui exprime la chance qu’un évènement E se produit ou se realise.
généralement exprimée par un nombre compris entre 0 et 1 :

0
l’événement impossible. P 1
l’événement est certain.

P(E) = Nombre de cas favorables

Nombre total de cas possibles

∑P(Ei) = 1

Introduction aux probabilités :

Exemple de pièce de monnaie
H T

Expérience/ Évènement

Probabilité d'atterrir sur H

P(H)
Introduction aux probabilités :
Exemple de pièce de monnaie

H H 1
T
P(H) = = = 0.5
2
50% 50% H T

Introduction aux probabilités :

Exemple de pièce de monnaie
1er 2e
H T H
50% 50% H
T H H T T
Quelle est la probabilité de tomber
H T H T
deux fois sur H?
1 2 3 4
H
T
T
 Introduction aux probabilités :
Exemple de pièce de monnaie

H T

50% 50%
1 1
P(HH ) = = = 0.25
4
H H T T

H T H T

Introduction aux probabilités :

Exemple de pièce de monnaie 3

1er 2e 3ème
H
H T H
50% 50%
H T

T H

Quelle est la probabilité de tomber

T
3 fois sur la H ?
H
H
T
T
H
T
T
Introduction aux probabilités : Exemple de
pièce de monnaie 3
H T
H
50% 50%
H

H 1
P(HHH ) = = = 0.125
8

Introduction aux probabilités

Qu'est-ce que la probabilité ? -
Exemple de Dés.
Introduction aux probabilités : Exemple de dé
Quelle est la probabilité d'obtenir 6 ?

1
P(6) = =
6

Introduction aux probabilités : Exemple de dé

Quelle est la probabilité d'obtenir 6,6 ?
Introduction aux probabilités : Exemple de dé
Quelle est la probabilité d'obtenir 6,6 ?

1
P(6,6) = =
1,1 1,2 1,3 1,4 1,5 1,6
36
2,1 2,2 2,3 2,4 2,5 2,6

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

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

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

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

Introduction aux probabilités

Complément de probabilité
Complément de probabilité

P(A′) = 1 — P(A)
Règle du complément

Complément de probabilité : Exemple de pièce

de monnaie
H H H Quelle est la probabilité de ne pas tomber 3 fois sur H?
Complément de probabilité : Exemple de pièce
de monnaie
H H H Quelle est la probabilité de ne pas tomber 3 fois sur la H ?

P(pas HHH ) = 1 — P(HHH )

1
P(pas HHH ) = 1 —
8

7
=
8

Complément de probabilité : Exemple de dé

Quelle est la probabilité de ne pas avoir
6?

P(pas 6) = —

5
=
6
 Introduction aux probabilités
Somme des probabilités
(événements disjoints)

Somme des probabilités :

Dans une école, les enfants ne
peuvent pratiquer qu'un seul sport.

Quelle est la probabilité qu'un enfant

joue au football ou au basket-ball ?

Indice : Et s'il n'y avait que 10

enfants ?
Somme des probabilités :

30% 40%
70%

football ou basket-ball 3+4

P(football ou basket-ball) = = = 0.7
total 10
P(football ou basket-ball) = P(football) + P(basket-ball)

P(football ∪ basket-ball) = P(football) + P(basket-ball)

P(A ∪ B) = P(A) + P(B)

Somme des probabilités : Exemple de dé

Quelle est la probabilité d'obtenir un
nombre pair ou un 5 ?
Somme des probabilités : Exemple de
dé
Quelle est la probabilité d'obtenir un
nombre pair ou un 5 ?

Somme des probabilités : Exemple de

dé
Quelle est la probabilité d'obtenir un
nombre pair ou un 5 ?

P(nombre pair ou 5) = P(nombre pair) + P(5) = 3/6 +1/6 = 2/3

Somme des probabilités : Exemple de dé
Quelle est la probabilité d'obtenir une
somme de 7 ou une somme de 10 ?

Somme des probabilités : Exemple de

dé
somme de 7 somme de 10
Somme des probabilités : Exemple de
dé
somme de 7 ou somme de 10

P( ∑ = 7 ) + P( ∑ = 10 )
6/36 3/36

9 1
= =
36 4

Somme des probabilités : Dés Exemple

Quelle est la probabilité d'obtenir
une différence de 2 ou une différence de 1 ?
Somme des probabilités : Dés Exemple

diff =2 diff = 1

Somme des probabilités : Dés Exemple

P(diff = 2 ou diff = 1)
 Introduction aux probabilités
Somme des probabilités
(événements conjoints)

Somme des probabilités (événements conjoints) :

Dans une école, les enfants peuvent
pratiquer autant de sports qu'ils le
souhaitent.

Quelle est la probabilité qu'un enfant

joue au football ou au basket-ball ?

Indice : Et s'il n'y avait que 10

enfants ?
Somme des probabilités (événements conjoints) :

60%

50%

P(football ∪ basket-ball) = ?

Nous ne savons pas combien d'enfants pratiquent plusieurs sports

Somme des probabilités (événements conjoints) :

Combien d'enfants jouent au football ou

au basket-ball ?

Indice : Et s'il n'y avait que 10

enfants ?
Somme des probabilités (événements conjoints) :

1 2 3 4 5 6 7 8 9 10

Somme des probabilités (événements conjoints) :

P(S ∪ B) = P(S) + P(B) P(S ∪ B) = P(S) + P(B) - P(S ∩ B)

Somme des probabilités (événements conjoints) :
Exemple de dé
Quelle est la probabilité d'obtenir une
somme de 7 ou une différence de 1 ?

Somme des probabilités (événements conjoints) :

Exemple de dé
somme = 7 diff = 1
Somme des probabilités (événements conjoints) :
Exemple de dé

P(somme = 7 ou diff = 1) = P(∑=7) + P(diff = 1) — P(∑=7 ∩ diff = 1)

6 10 2
= + —
36 36 36
14
=
36

Introduction aux probabilités

Indépendance
Règle relative aux produits (pour les
évènement indépendantes)

P(A ∩ B) = P(A) ⋅ P(B)

Événements indépendants : Exemple

de pièce de monnaie
H Quelle est la probabilité de tomber cinq fois sur H?
T
50% 50%

H H H H H
 Événements indépendants : Exemple
de pièce de monnaie
H T Quelle est la probabilité de tomber cinq fois sur la H ?

50% 50%

H H H H H
P(H5) =
H T
⋅ H T ⋅ H T
⋅ H T ⋅ H T

(½)5

Introduction aux probabilités

Problème d'anniversaire
Quiz
● Vous avez 30 amis à une fête. Quelle est, selon vous la probabilité la plus élevée ?
● Qu'il existe deux personnes ayant la même date d'anniversaire
● Qu'aucun d'entre eux n'a la même date d'anniversaire
● En supposant que l'année compte exactement 365 jours

Quiz
● Réponse : Il est plus probable que 2 personnes aient le même anniversaire.
● En effet, la probabilité que deux personnes n'aient pas le même
anniversaire est d'environ 0,3.
Probabilité que chaque personne ait un anniversaire
différent

Probabilité que deux personnes n'aient pas le même anniversaire

1. personne : 1
2. personnes : 0,997
3. personnes : 0,992
4. personnes : 0,984
5. personnes : 0,973
10 personnes : 0,883
20 personnes : 0,589
23 personnes : 0,493
30 personnes : 0,294
50 personnes : 0,030
100 personnes : 0,0000003
365 personnes : 0

23
 Introduction aux probabilités

Probabilité conditionnelle

Probabilité conditionnelle : Exemple de pièce de monnaie

Quelle est la probabilité de tomber deux fois sur des Faces (H)?
H T EÉTANT DONNÉ que la première est H
1er 2e
50% 50%

= P(HH | 1er = H)
Règle relative aux produits (pour les
évènement indépendantes)

Lorsque A et B sont indépendants

P(A ∩ B) = P(A) ⋅P(B)

Probabilité conditionnelle : Exemple de dé

Quelle est la probabilité que
le premier est 6 ET la somme = 10 ?
Probabilité conditionnelle : Exemple de dé
Quelle est la probabilité que
le premier est 6 ET la somme = 10 ?

P(1er = 6 ∩ ∑= 10) = P(1er = 6)

⋅
P(1er = 6 |∑= 10)

P(1er = 6 ∩ ∑ = 10) = 1
36
1
P(1er = 6) =
6

Probabilité conditionnelle : Exemple de dé

P(1er = 6 ∩ ∑= 10) = P(1er = 6)

⋅ P(∑= 10 |1er = 6)
La règle générale sur les produits

P(A ∩ B) = P(A) ⋅P(B | A)

Lorsque A et B sont
indépendante

P(B | A) = P(B)

Introduction aux probabilités

Théorème de Bayes -
Intuition
Théorème de Bayes : Intuition
Diagnostiqué Diagnostiqué en bonne santé
Malade

100 personnes 99 1
1 000 000 personnes 1/ 10 000 personnes

100 personnes 1 99
Efficace à 99

Quelle est la probabilité que vous soyez

malade étant donné que vous avez été testé
malade ?
malade | Testé malade

Théorème de Bayes :

1 000 000 de
personnes
Théorème de Bayes :
Intuitio n

En bonne santé 999,900

100
Malade

1 000 000 de
personnes

Théorème de Bayes :
Diagnostiqué Diagnostiqué En
malade bonne santé

9,999 989,901
En bonne santé

99 1
Malade

1 000 000 de
personnes
 Théorème de Bayes :
Diagnostiqué
malade
99

99
P(malade | diagnostiqué malade) = =
99 + 9999
99
9,999
En bonne santé
9,999 99
= = 0.0098
10098

99 malade et diagnostiqué malade

Malade
=
malade et diagnostiqué malade + sain et diagnostiqué malade

1 000 000 de
personnes

Théorème de Bayes : Intuition Tous les malades

diagnostiqués

diagnostiqué malade | malade = 99%

malade = 100
malades et diagnostiqués malades = 99

diagnostiqué sain | malade = 1%

malades et diagnostiqués sains = 1

1,000,000 diagnostiqué malade | sain = 1%

personnes en bonne santé =
Sain et diagnostiqués malades = 9 999
999 900

diagnostiqué sain | sain = 99%

sains et diagnostiqués sains = 989 901

Théorème de Bayes : Intuition

P(malade | diagnostiqué malade) =

P(malade | malades et malades diagnostiqués = 99

diagnostiqué malade) =
en bonne santé et diagnostiqué malade = 9 999 + malade et diagnostiqué malade = 99

99
P(malade | diagnostiqué malade) = = 0.0098
10098

Introduction aux probabilités

Théorème de Bayes -
Formule mathématique
Théorème de Bayes : Intuition
Diagnostiqué Diagnostiqué en bonne santé
Malade

100 personnes 99 1
1 000 000 personnes 1/ 10 000 personnes

100 personnes 1 99
Efficace à 99

Quelle est la probabilité que vous soyez

malade étant donné que vous avez été testé
malade ?
malade | Testé malade

Théorème de Bayes : Formule

La probabilité que vous soyez malade

étant donné que vous avez été testé
malade
P(malade | diagnostiqué malade) = ?

P(malade) = 0,01% 1,000,000 1 / 10,000 Efficace à 99

P(non malade) = 99,99%

P(diagnostiqué malade | malade) = 99%

P(diagnostiqué malade | non malade) = 1%

Théorème de Bayes : Formule

A: malade
B : diagnostiqué malade

P(malade | diagnostiqué P(A | B) = ?

malade) = ?
De la probabilité conditionnelle
P(malade) = 0,01%
P(non malade) = 99,99%
P(A ∩ B)
P(diagnostiqué malade | malade) = 99% P(A |B) = P(B)
P(diagnostiqué malade | non malade) = 1%

P(malades et diagnostiqués malades)

P(A | B) =
P(diagnostiqués malades)

Théorème de Bayes : Formule

P(A ∩ B)
A: malade P(A | B) =
P(B)
B : diagnostiqué malade
P(malades et malades diagnostiqués)
P(A | B) =
P(malade | diagnostiqué malade) = ? P(diagnostiqué malade)
P(malade) = 0,01%
P(non malade) = 99,99%
P(diagnostiqué malade | malade) = 99% P(malade et diagnostiqué malade) = ?
P(diagnostiqué malade | non malade) = 1%
P(diagnostiqué malade) = ?

LA FORMULE DU THÉORÈME DE BAYES PEUT AIDER

Théorème de Bayes :
P(A ∩B)
A: malade P(A | B) =
P(B)
B : diagnostiqué malade

P(A) ⋅ P(B | A)
P(A | B) =
P(A) ⋅ P(B | A) + P(A′) ⋅ P(B | A′)

P(A) = 0,01% 0.0001 ×0.99

P(A′) = 99,99% P(A | B) =
P(B | A) = 99%
(0.0001 ×0.99) +(0.9999 ×0.01)

P(B | A′) = 1% P(A | B) = 0,0098

 Introduction aux probabilités
Théorème de Bayes -
Exemple de spam

Théorème de Bayes : Exemple de spam

 Théorème de Bayes : Exemple de spam

"loterie"

20 spam 80 pas de spam (ham)

Théorème de Bayes : Exemple de spam

10
14

Quelle est la probabilité qu'un

courriel contenant le mot “loterie” soit
un spam ?

P(spam | loterie)

20 spam 80 pas de spam (ham)

Théorème de Bayes : Exemple de spam (solution intuitive)

24 courriels
contenant la loterie

P(spam | loterie) spam et loterie

P(spam | loterie) =
toutes les loteries

14
P(A ∩B) = = 0.583
P(A | B) =
P(B) 24

10

A: Le courrier électronique est un spam B : L'email contient de la loterie

P(spam | loterie)

P(A) ⋅ P(B | A)
P(A | B) =
P(A) ⋅ P(B | A) + P(A′) ⋅ P(B | A′)

P(spam | loterie) = P(spam) ⋅ P(loterie | spam)

P(spam) ⋅P(loterie | spam) +P(non spam) ⋅ P(loterie | non spam)
Théorème de Bayes : Exemple de spam (solution sous
forme de formule)
10
14
20
P(spam) = = 0.2
100

80 = 0.8
P(pas de spam)= 100

14
P(loterie | spam) = = 0.7
20

P(loterie | pas de spam) = 10 = 0.125

80 20 spam 80 pas de spam (ham)

Théorème de Bayes : Exemple de spam (solution sous

forme de formule)
P(spam) = 0,2 P(loterie | spam) = 0,7

P(pas de spam) =0,8 P(loterie | pas de spam) = 0,125

P(spam) ⋅ P(loterie | spam)

P(spam | loterie) =
P(spam) ⋅P(loterie | spam) +P(non spam) ⋅ P(loterie | non spam)

0.2 ×0.7
P(spam | loterie) = = 0.583
(0.2 ×0.7) +(0.8 ×0.125)
 Introduction aux probabilités

Théorème de Bayes -
antériorité et postériorité

Théorème de Bayes

Pre-Evenement ÉVÉNEMENT Post- évènement

P(A) E P(A | E )
Antérieur et postérieur
ÉVÉNEMENT Post
spam
Pre spam et loterie
courriel

Ham
L'email contient la
pas de spam et pas de loterie
loterie loterie

loterie
ham
Ham et loterie

spam et pas de loterie

pas de
loterie

P(spam) = P(spam | loterie) =

+ +

Introduction aux probabilités

Théorème de Bayes -
Le modèle Naive Bayes
 Deux évènement
Pre ÉVÉNEMENT Post

P(spam) = L'e-mail contient "loterie". P(spam | loterie) =

+ +

P(spam | gagnant) =
L'e-mail contient
"gagnant". +

Email contient "lottery" et “gagnant" ?

deux événements ?
Post

ÉVÉNEMENT
P(spam | loterie & gagnant) =
+
L'e-mail contient les mots "loterie" et "gagnant".

# Spam avec les mots "loterie" et "gagnant".

# Courriels non sollicités
?
P(spam) ⋅ P(loterie & gagnant | spam)
P(spam | loterie & gagnant) =
P(spam) ⋅ P(loterie & gagnant | spam) + P(ham) ⋅ P(loterie & gagnant | ham)
 Existe-t-il un moyen pour estimer la probabilité ?
Hypothèse naïve

Les apparences de "loterie" et de “gain" sont indépendantes

P(A ∩ B) = P(A) ⋅ P(B)

P(spam) ⋅ P(loterie & gain | spam)

P(spam | loterie & gain) =
P(spam) ⋅ P(loterie & gain | spam) + P(ham) ⋅ P(loterie & gain | ham)

Existe-t-il un moyen plus rapide d'estimer la probabilité ?

Hypothèse naïve

Les apparences de "loterie" et de "gain" sont indépendantes

P(A ∩ B) = P(A) ⋅ P(B)

P(spam) ⋅P(loterie | spam) ⋅P(gagnant | spam)

P(spam | loterie & gain) = P(loterie & gain | spam)
P(loterie| &
P(spam) ⋅ P(loterie spam) P(gagnant | spam) + P(ham)
gain |⋅spam) ⋅ P(loterie
P(loterie | ham)
& gain ⋅ P(gagnant | ham)
| jambon)
Existe-t-il un moyen pour estimer la probabilité ?
Hypothèse naïve

Les apparences des mots w1 , w2 , ..., wn sont indépendantes

P(spam) ⋅ P(w
P(spam) ⋅ P(w 1 , ..., wn | spam)
1 | spam)⋯P(w n | spam)
P(spam | w1 , ..., wn ) =
P(spam) ⋅P(w1 | spam)⋯P(wn | spam) +P(ham) ⋅ P(w1 | ham)⋯P(wn | ham)
P(spam) ⋅ P(w1 , ..., wn | spam) + P(ham) ⋅ P(w1 , ..., wn | ham)

Naive Bayes : Exemple de spam

10
20 14
P(spam) = 100 = 0.2

P(ham) = 80 = 0.8
100

14
P(loterie | spam) = = 0.7
20

P(loterie | ham)= 10 = 0.125

80
20 spam 80 pas de spam (ham)
Naive Bayes : Exemple de spam
15
20
P(spam) = = 0.2
100

80 = 0.8
P(ham) =
100

15
P(gagnant | spam) = = 0.75
20

8
8
P(gagnant | ham) = = 0.1 20 spam 80 pas de spam (ham)
80

P(spam) =0,2 P(loterie | spam) = 0,7 P(gagnant | spam) = 0,75

P(pas de spam) =0,8 P(loterie | ham) =0,125
P(victoire | ham) = 0,1

P(spam | loterie) = P(spam) ⋅ P(loterie | spam) ⋅ P(gagnant | spam)

P(spam) ⋅ P(loterie | spam) ⋅P(gagnant | spam) +P(ham) ⋅P(loterie | ham) ⋅P(gagnant | ham)

0.2 ×0.7 ×0.75

P(spam | loterie & gagnant) = = 0.913
(0.2 ×0.7 ×0.75) + (0.8 × 0.125 × 0.1)
 Introduction aux probabilités

Probabilité & Apprentissage

Exemple de problème
Reconnaissance d'images
● Quelle est la probabilité qu'il y ait un chat dans l'image ?
● P(chat | image) =P(chat |pixel1 , pixel2 , ..., pixeln )
Exemple de problème
Classification

Patient 3
● Ce patient est-il en bonne santé ?
Patient 2
ge 29
ge
A ender F é2m9ale
Patientemale
1
● Calculer P(sain | symptômes et antécédents)
A etnder F
G hui
huithuit
169kgcm
62 169 cm
mo h uitr
L'âge
ke No62 29kg
rG
H moker
Genre ... NoFemme
H
Wtaux de fartage 63...
Bonne Hauteupression 0 90169 cm
Wtaux de fartage 263 0 90
S 1 Bonne pression
cardiaque
1Poids 62 kg
S
...
Fumoir Non
...
H
... ...
H
B
lFréquence 263
B

Exemple de problème
Analyse des sentiments

“la première douche froide même le ● S'agit-il d'une phrase heureuse ?

singe semble vouloir un petit manteau ● Calculer P(heureux | mots de la phrase)
de paille”
 Exemple de solution
P(chat |pixels)
P(chat |pixels) = 0.9
Chat

P(chat |pixels) = 0.1

Pas un chat

Exemple de problème : modèles

génératifs Image générée par un StyleGAN

Génération de visages

• Générer un groupe de pixels tel que l’image

résultante ressemble à l’image reel

Objectif : générer des images telles que:

P(visage|pixels de l’image réelles) qu'elles soient élevées.

2 Distributions de probabilités
Variables aléatoires
Des événements aux variables aléatoires
Tirer à pile X= Nombre de Face(H)
ou face

H T
1H 0H
X =1 X =0
P(H ) = 0,5 P(T ) = 0,5
P(X = 1) = 0,5 P(X = 0) = 0,5

X est une variable aléatoire

Des événements aux variables aléatoires

X = Nombre de Face(H) en 10 tirages P(H ) = 0,5

H H H H H H H H H H X = 10 0.510 P(X = 0) ?

0,59 0,5 P(X = 1) ?

H T H H H H H H H H X =9
...
H H H H T H H H H H X =9 0,59 0,5 P(X = 10) ?
Des événements aux variables aléatoires

X= Nombre de Face (H) en 10 tirages Résultats possibles :

0 4 8
H H H H H H H H H H
1 5 9
2 6 10
3 7
H T T H T H T H H T X =5
H T H H H T H T T H X =6
T H T H T T H T
H H X =5
.. P(H ) = 0,5
. Répéter 500 fois

Jouer 500 fois à pile ou face

P(X = 5)
P(H ) = 0,5
P(X = 8) Répéter 500 fois

P(X = 0)
P(X = 10)
Pourquoi des variables
aléatoires ?
• Les variables aléatoires permettent de modéliser l'ensemble de l'expérience en une
seule fois.

X = Nombre de H X = Nombre de 1

?
P(X = 1) = 0,5
X = Nombre de patients malades
P(X = - 7) = 0,2
P(X =3,14159) =0,3

Pourquoi des variables

aléatoires ?

Nombre de produits
Temps d'attente Hauteur du mm. de pluie
défectueux dans un
jusqu'à l'arrivée saut d'un en novembre
envoi
du prochain bus gymnaste
Variable aléatoire Discrete et Continues
Variables aléatoires discrètes Variables aléatoires continues

H T 0 1 2 3

Nombre fini de valeurs Nombre infini de valeurs

Ne peut prendre qu'un

nombre dénombrable de Prend des valeurs sur un intervalle
nombre de valeurs

Variables aléatoires discrètes et continues

Déterministe Aléatoire

x = 2, f (x) = x2 X = nombre d'articles défectueux

dans un envoi
Résultat fixe Résultat incertain
 Distributions de probabilités
Distributions de probabilités
(Discrete)

Distributions discrètes : Jouer à pile ou face

1

3
2
e

e
e
èc

èc
èc
Pi

Pi
Pi

X : nombre de H dans les 3 Les trois T (X = 0)

tirages

Une H (X = 1)

Deux H (X = 2)

Les trois Faces (X = 3)

#H:
Distributions discrètes : Jouer à pile ou face

X1 : nombre de H dans 3 tirages

3 3
T T H H H T

H T H
1 T H T 1
T T T H T T T H H H H
H

0 1 2 3

Distributions discrètes : Jouer à pile ou

face
X1 : nombre de H dans 3 pieces
P(X1 = 1) P(X1 = 2)

P(X1 = 0) P(X1 = 3)

#H:
 Distributions discrètes : Jouer à pile ou
face
X1 : nombre de H dans les 3 pieces
P(X1 = 1) P(X1 = 2)

P(X1 = 0) P(X1 = 3)

#H #H
Fonction de masse de
probabilité (FMP)

pX(x) = P(X = x), x dans {0,1,2,3}

1

Distributions discrètes : Jouer à pile ou face

X1 : nombre de H dans les 3 pieces

La FMP doit satisfaire:

P(X1 = 1) P(X1 = 2)

P(X1 = 0) P(X1 = 3)
•p X (x) ≥ 0

• ∑x pX (x) = 1

Fonction de masse de
probabilité (FMP)

pX(x) = P(X1 = x), x dans {0,1,2,3}

Distributions discrètes : Jouer à pile ou face

X1
X2
X3

Voyez-vous un modèle ?
X1 , X2 , X3 sont très similaires

Ils représentent tous le nombre de Face dans 3 expériences (lancées)

La façon dont les probabilités se répartissent entre les résultats possibles

semble suivre un schéma similaire

Existe-t-il un modèle unique pour représenter toutes ces variables ?

 Distributions de probabilités

Distribution binomiale

Distribution binomiale : Exemple

Quelle est la probabilité que si je lance 5 pièces, 2 d'entre elles tombent sur face (H) ?

H H T T T

1
0.5 0.5 0.5 0.5 0.5 =
32
H T T H T

1
0.5 0.5 0.5 0.5 0.5 =
32
Distribution binomiale : Exemple

Quelle est la probabilité que si je lance 5 pièces, 2 d'entre elles tombent sur face (H) ?

Distribution binomiale : Exemple

Quelle est la probabilité que si je lance 5 pièces, 2 d'entre elles tombent sur face (H) ?

Nombre de façons d’ordonner 5

pièces

(5,2) Coefficient binomial

5! Nombre de façons d'obtenir 2
face en 5 tirages de pieces
2 ! (5 -2) !

Nombre de T
Nombre de H
H T H T T
H H T T

T
Distribution binomiale : Coefficient binomial
En général :
C(n,k) compte toutes les combinaisons pour k (H) d’une piece de monnaies

Propriété :
La FPM avec une pièce de monnaie équitable est symétrique
C(n,k) =C(n,n-k)

C(n,k)=k!/(n−k)!n!

0 1 2 3 4 5
# Face (H)
Distribution binomiale
PFM général pour X nombre de H en 5 lancées de piece.

La pièce a P(H ) =p

Événement X= x: x nombre de H sur 5 lancées

pX (x) =

p : probabilité de réussite
1-p : probabilité d’échec
X suit une distribution binomiale X ∼ Binomial(5,p) C(5,x): combinaison de x parmi n

Distribution binomiale

0.3125 0.3125

0.15625 0.15625

0.03125 0.03125

0 1 2 3 4 5
Distribution binomiale

Distribution binomiale :
Quelle est la probabilité d'obtenir trois 1 en lançant un dé cinq fois (quel que soit le
dé) ?
Distribution binomiale : Le dé est une pièce de
monnaie biaisée !

un un un un’ un’
p =⅙ p =⅙ p =⅙ p =⅚ p =⅚

Distribution binomiale : Le dé est une pièce de

monnaie biaisée ! n=5
p = 0.1666

...

0 1 2 3 4 5
# les uns
Distribution binomiale :
● Quiz : Quels sont les paramètres de la distribution binomiale suivante :
● Je lance 10 dés
● Je veux enregistrer le nombre de fois où j'obtiens le nombre 1

Distribution binomiale :
n = 10
p = 0.1666

0 1 2 3 4 5 6 7 8 9 10
 Distributions de probabilités

Distribution de Bernoulli

Distribution de Bernoulli = binomial (1,p)

X= Nombre de H X= Nombre de X = Nombre de patients
d’une piece 1 Lancer un dé malades Tirer au pif

H T

P(X = 1) = 0,5 P(X = 0) = 0,5 P(X = 1) = ⅙ P(X = 0) = ⅚ P(X = 1) = p P(X = 0) = 1- p

Succès Échec Succès Échec Succès Échec

P est le paramètre de la Loi de Bernoulli

X ∼ Bernoulli (p) distribution
 Distributions de probabilités

Distributions de probabilités
(continues)

Des distributions discrètes aux distributions

continues

Temps d'attente : 1 2 3 (min)

Des distributions discrètes aux distributions
continues

Temps d'attente : 1 1.01 2 3 (min)

Des distributions discrètes aux distributions

continues

Temps d'attente : 1 1.01 2 2.43 3 (min)

 Des distributions discrètes aux distributions
continues Il s'agit d'une distribution continue !

... ... ... ... ... ...

Temps d'attente : 1 1.01 2 2.43 3 (min)

Quelle est la probabilité que vous attendiez EXACTEMENT une minute pour l'appel ?
Réponse : ZERO

Des distributions discrètes aux distributions

continues

P(entre 0 et 1 min)
Probabilité
P(entre 1 et 2 minutes)

P(entre 2 et 3 minutes)
P(entre 3 et 4 minutes)

L'heure P(entre 4 et 5 minutes)

 Des distributions discrètes aux distributions
continues

P(entre 0 et 0,5 min)

Probabilité P(entre 0,5 et 1 min)
P(entre 1 et 1,5 min)
⋮
P(entre 3,5 et 4 minutes)
P(entre 4 et 4,5 minutes)
L’heure
P(entre 4,5 et 5 minutes)

Des distributions discrètes aux distributions

continues

P(entre 0 et 0,5 min)

Probabilité P(entre 0,5 et 1 min)
P(entre 1 et 1,5 min)
⋮
P(entre 3,5 et 4 minutes)
P(entre 4 et 4,5 minutes)
L’heure
P(entre 4,5 et 5 minutes)
 Des distributions discrètes aux distributions
continues

P(entre 0 et 0,25 min)

Probabilité P(entre 0,25 et 0,5 min)
P(entre 0,5 et 0,75 min)
⋮
P(entre 4,25 et 4,5 minutes)
P(entre 4,5 et 4,75 minutes)
L’heure
P(entre 4,75 et 5 minutes)

Des distributions discrètes aux distributions

continues

P(entre 0 et 0,25 min)

Probabilité P(entre 0,25 et 0,5 min)
P(entre 0,5 et 0,75 min)
⋮
P(entre 4,25 et 4,5 minutes)
P(entre 4,5 et 4,75 minutes)
L’heure
P(entre 4,75 et 5 minutes)
 Des distributions discrètes aux distributions
continues

P(entre 0 et 0,125 min)

Probabilité

Durée P(entre 4,875 et 5 min)

Des distributions discrètes aux distributions

continues
● Discret :
○ La somme des hauteurs est égale
à1
● En continu :
○ L'aire sous la courbe
est égale à 1

Zone = 1

L'heure
 Distributions de probabilités

Fonction de densité de probabilité

FDP

Fonction de densité de probabilité (FDP)

 Fonction de densité de probabilité : Définition
formelle Fonction de densité de probabilité (PDF)
fX (x)
fX (x)
Indique le taux d'accumulation des
probabilités autour de chaque point.
Défini uniquement pour les
variables continues !
P(a < X < b) = aire sous fX (x)
a b fX (x) doit satisfaire :
• Elle est définie pour tous les nombres
• fX (x) ≥ 0
• Aire sous fX (x) = 1

Variables aléatoires discrètes et continues

Variables aléatoires discrètes Variables aléatoires continues

H T 0 1 2 3

Ne peut prendre qu'un nombre fini Prend des valeurs sur un intervalle
ou au plus dénombrable de valeurs (possibilités infinies !)

FMP : pX (x) = P(X = x) FDP : fX (x)

P(X = x) = 0 ∀x
 Distributions de probabilités

Fonction de Distribution cumulative

Distribution cumulative
Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure
Distribution cumulative

Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure

Distribution cumulative
Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure
Distribution cumulative

Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure

Distribution cumulative
Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure
Distribution cumulative

Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure

Distribution cumulative
Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure L'heure
Distribution cumulative

Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure
L'heure

Distribution cumulative
Probabilité cumulée
Probabilité

1 2 3 4 1 2 3 4
L'heure
L'heure
 1
Distribution cumulative

Probabilité cumulée
Probabilité

0
1 2 3 4 1 2 3 4
L'heure L'heure

X CDF : Fonction de distribution cumulative

fX (x) A la fin, surface = 1

À 0, surface = 0

P(inférieur ou égal à 2 minutes) = 0,5 P(inférieur ou égal à 2 minutes) = 0,5

 Fonction de distribution cumulative : Définition formelle
La fonction de distribution cumulative indique la probabilité que la variable a accumulée
jusqu'à une certaine valeur.
Cela signifie que
CDF(x)
Fx (X) =P(X ≤x) Elle est définie pour tout nombre réel
FX (x)
FX (x)
1
1

Fonction de distribution cumulative : Définition formelle

La fonction de distribution cumulative indique la probabilité que la variable a accumulée
jusqu'à une certaine valeur.
Cela signifie que FCDF(x)
X (x) = P(X ≤ x) Elle est définie pour tout nombre réel
FX (x)
FX (x)
1 Propriétés
1
• 0 ≤ FX (x) ≤ 1
• Le "point final" gauche
est 0

• Le "point final" de droite

est 1
• Ne diminue jamais
Résumé en FDP et FDC
PDF CDF

f(x) F(x)

● zone = 1 ● le "point final" gauche est 0

● Toujours positif ● le "point final" de droite est 1
● (les extrémités peuvent être à l'infini)
● Toujours positive et croissante

Distributions de probabilités

Distribution uniforme
Exercices
1. Vous lancez une pièce de 2. Vous lancez deux dés et additionnez le
monnaie deux fois. Quelle est la résultat, quelle est la probabilité que la
probabilité d'obtenir une Face et somme soit égale à 10?
une Pile dans n'importe quel
(a) 1/36. (b) 1/18. (c) 1/12. (d) ⅑
ordre?
(a). ¼ (b) ¾ (c) ½

3. Vous lancez 10 fois un dé à six faces, en additionnant le résultat à chaque lancer.

Quelle est la probabilité que la somme des résultats soit supérieure à 10?
Astuce : Utilisez la règle du complément !

(a) ⅙ (b) (⅙)10. (c) ⅚. (d) (610-1) /(610)

Exercices
4. Dans une expérience, il y a 100 patients. Après avoir pris des médicaments, 50 personnes ont eu des maux de H et 50
personnes ont eu de la fièvre. Les médecins veulent déterminer la probabilité qu'un patient puisse ressentir des maux de H ou
de la fièvre. Laquelle des affirmations suivantes est vraie?
(a) Manque d’information. (b) P(fievre)+P(maux de tete) =1. (c) P(fievre)*P(maux de tete) =0.25.

5. Une société de logiciels a effectué un test sur sa nouvelle plate-forme en exposant ses utilisateurs à deux versions du
même produit. Nombre d'utilisateurs ayant reçu la version A : 4000 Nombre d'utilisateurs ayant reçu la version B : 5000
Nombre d'utilisateurs ayant rencontré un bug : 3000 Nombre d'utilisateurs avec la version B qui ont rencontré un bug :
1500 Quelle est la probabilité qu'un utilisateur ait testé la version B, étant donné qu'il a rencontré un bogue pendant le
test

(a) 40%. (b). 50%. (c) 10%. (d). 20%

6. Soit une variable aléatoire X représentant le gain x 1 2 3 4

d’une journée de vente avec la loi de probabilité
suivante : P(X=x) 0.2 0.3 0.4 0.1

1. Verifier que cette fonction est une loi de probabilité