Rappels
• Mode : Le mode est la valeur la plus fréquente dans un échantillon.
• Médiane : la médiane est un nombre qui divise en 2 parties la population telle que
chaque partie contient le même nombre de valeurs.
Dans la même logique, il y a les quartiles, déciles et centiles, qui divisent
respectivement en 4, 10 et 100 la population.
• Moyenne : La moyenne arithmétique est la somme des valeurs de la variable divisée
par le nombre d’individus.
• La variance : La moyenne des carrés des écarts à la moyenne.
• L’écart-type : La racine carrée de la variance.
Remarque : L'écart type est une quantité réelle positive, éventuellement
infinie, utilisée dans le domaine des probabilités pour caractériser la répartition
d'une variable aléatoire autour de sa moyenne.
• En particulier, la moyenne et l'écart type caractérisent entièrement les lois
gaussiennes à un paramètre réel.
• En statistiques, l'écart type ou déviation standard est défini pour un
ensemble fini de données numériques interprétées comme la réalisation
d'une variable aléatoire.
• Il est utilisé pour mettre en place des tests, autrement dit, il permet de
décider si une probabilité est plausible compte tenu des valeurs disposées
avec une certaine marge d'erreur.
• L'écart type est aussi utilisé dans les problèmes de régression linéaire.
Domaines d’application :
Les écarts types connaissent de nombreuses applications :
Economie, Physique, Biologie, etc.
Ils permettent en pratique de rendre compte des résultats numériques d'une
expérience répétée.
Variable aléatoire
Dans la formulation moderne des probabilités, suite aux travaux de Henri Lebesgue, une
variable aléatoire X est une application à valeurs réelles ou vectorielles, dépendant d'un
paramètre x suivant une loi de probabilité P.
L'application X ne joue pas un rôle fondamental ; seule sa loi, l'image de P par X, notée PX,
importe.
Il s'agit d'une mesure sur R ou sur Rn.
Deux quantités lui sont associées :
• Sa moyenne, notée E[X], aussi appelée espérance :
• Son écart type, généralement noté σX, défini comme la racine carrée de
l'espérance de (X-E[X])2 :
.
L'élévation au carré pour le membre de droite désigne implicitement la norme euclidienne au
carré dans le cas où X est à valeurs vectorielles.
Cette identité se spécialise dans un grand nombre de cas particuliers. Entre autres :
Probabilité discrète
Si la variable X prend un nombre fini de valeurs réelles x1, ..., xn, avec des probabilités
respectives p1, ..., pn 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒 ∑𝑛𝑖=1 𝑝𝑖 = 1 alors :
En particulier, si la loi de X est uniforme sur un ensemble fini de valeurs, on a :
.
Loi gaussienne
Définition : La loi gaussienne (normale) est une des lois de probabilité les plus utilisées dans
les sciences appliquées du fait de ses propriétés théoriques remarquables.
Elle est caractérisée par sa moyenne et sa variance .
On la note
Une variable aléatoire X suivant une loi une loi
a pour densité de probabilité p(x) :
Cette fonction de densité, appelée courbe de Gauss, possède une forme caractéristique rappelant
celle d’une cloche.
Elle se répartit de manière symétrique autour de la moyenne, point où elle atteint son maximum.
Elle décroît ensuite à mesure que les valeurs sont éloignées de la moyenne.
Cette concentration de la densité autour de la moyenne est une caractéristique importante de la
loi gaussienne.
Elle se traduit notamment par le fait qu’une majorité des valeurs observées est contenue dans
un intervalle restreint autour de la moyenne.
Remarque : La loi gaussienne de moyenne nulle et d’écart-type égal à 1 est appelée loi
gaussienne centrée réduite ou loi gaussienne standard.
Loi uniforme
• La loi uniforme se caractérise par une répartition uniforme des valeurs prises par une
variable aléatoire continue sur un intervalle [a ;b].
• Dès lors, sa fonction de densité est constante sur [a ;b] et nulle en dehors de cet
intervalle puisque X n'y prend pas de valeurs.
• La valeur de cette constante ne peut être choisie au hasard puisque la fonction de
𝑏
densité 𝑓 (𝑥 ) doit vérifier ∫𝑎 𝑓 (𝑥 ) = 1
Calcul de la constante :
Conséquence :
X admet alors une espérance et une variance :
Régression linéaire et moindres carrés
De nombreuses séries statistiques (𝒙𝒊 , 𝒚𝒊) sont reliées par des conditions du type y=ax+b.
Remarque : Ce peut être aussi le cas de grandeurs issues de la physique.
En général, en raison des erreurs de mesure, les points (𝒙𝒊 , 𝒚𝒊 ) ne sont pas alignés, mais sont
"presque" sur une même droite.
Il faut alors choisir a et b de sorte que la droite soit la meilleure possible.
Pour cela, il faut choisir une mesure de l'écart entre une droite y = ax+b et le nuage de points
expérimentaux 𝒙𝒊 , 𝒚𝒊 , 𝟏 ≤ 𝒊 ≤ 𝒏
On choisit en général le carré de la différence entre le point théorique et le point expérimental,
i.e (𝒚𝒊 − (𝒂𝒙𝒊 + 𝒃))𝟐
L'écart total est donc :
Effectuer une régression linéaire au sens des moindres carrés, c'est trouver la droite qui
minimise l'écart précédent, c'est-à-dire la somme des carrés des différences :
On parle de droite des moindres carrés.
Théorème :
Si la variance Var(X) de la série statistique 𝑋 = (𝑥𝑖 ) est non-nulle, il existe une unique droite
qui minimise la quantité J(a,b).
Elle vérifie :
𝑎 = 𝐶𝑜𝑣 (𝑋, 𝑌) 𝑉𝑎𝑟(𝑋)
𝑏 = 𝑌̅ − 𝑎𝑋̅
où Cov(X,Y) désigne la covariance de X et de Y.