Probabilité et Statistiques
Programme
- 7 séances
- TP en R → r-base + R Studio (linux)
- Les bases des probabilités et statistiques
- Inférence de Bayes
- ???
Définitions
Probabilité : Étude mathématique des phénomènes caractérisés par le <u>hasard</u> et l'<u>incertitude</u> (cc. Wikipedia).
Statistique : Recueillir, traiter, interpréter et présenter un ensemble de données.
Phénomènes stochastiques (aléatoire)
Côté probabilités
Il existe deux classes de phénomènes :
<ul>
<li>ceux indépendants, on peut
<ul>
<li>Les compter</li>
<li>faire des prédictions</li>
<li>utiliser les lois classiques</li>
</ul>
</li>
<li>ceux qui interagissent :
<ul>
<li>beaucoup plus complexes</li>
<li>mieux décrire le monde réel</li>
</ul>
</li>
</ul>
Côté statistiques
<ul>
<li>les estimateurs
<ul>
<li>Comment mesurer des quantités qui font sens (incertitude)</li>
</ul>
</li>
<li>les correlations
<ul>
<li>corrélations, indépendants, causalités
</ul>
</li>
</ul>
<ol>
<li>Corrélations fausses : <a href="http://www.tylervigen.com/spurious-correlations" target="_blank">http://www.tylervigen.com/spurious-correlations</a></li>
<li>Corrélation <i>vs.</i> causalité</li>
</ol>
I. Les bases en probabilités
- Définition des probabilités
- Lois discrètes/continues
- Lois classiques
Définition des probabilités
Une variable aléatoire (X)
Exemples :
- Un lancé de pile ou face
- Un lancé de dé
→ Le résultat ne peut pas être connu à l'avance
L'ensemble des états possibles (\Omega) de mon expérience :
- (\Omega = {\text{pile}, \text{face}})
- (\Omega = {1, 2, 3, 4, 5, 6})
On note (|\Omega|) le cardinal (nombre d'états)
Soit (x) <u>une réalisation</u> de (X)
Exemple :
- (x = \text{pile})
- (x = 3)
Un <u>évènement</u> : Une partie (sous-ensemble) de (\Omega)
- ({\text{pile}}, {\text{face}}, {\text{pile, face}} ( = \Omega))
- (A) : le résultat est inférieur ou égal à (2)
(A = {1, 2})
La réalisation de l'évènement (A) : soit (x) une réalisation, (A) se réalise (\iff x \in A)
On note (A) l'ensemble des sous-parties de (\Omega)
Probabilité : Fonction mesurant la "chance" (fréquence ?) de réalisation d'un évènement de (\Omega : P : A \rightarrow [0, 1])
Elle satisfait 3 axiomes :
- (\forall A \in A, 0 \leq P(A) \leq 1)
- (P(\Omega) = 1) (normalisation)
- (P(U{i\in \mathbb{N}}A{i}) = \sum{i \in \mathbb{N}}{P(A{i})}) (les (A_{i}) sont disjoints)
Opérations ensemblistes
Le complémentaire de (A, \overline{A} = {x \in \Omega, x \notin A})
Union : (A \cup B = {x \in \Omega, x \in A \text{ ou } x \in B})
Intersection : (A \cap B = {x \in B, x \in A \text{ et } x \in B})
Pourquoi on utilise des probabilités ?
→ modélister des phénomènes stochastiques
→ permet de comprendre la statistique (les observations macroscopiques)
Les lois discrètes
→ (\Omega) est un ensemble discret
<u>Bernoulli</u> :
(\Omega = {0, 1})
(p(X=0) = p{0} = 1-p{1})
(p(X=1)=p_{1})
- (0 \leq p{0}, p{1} \leq 1)
- (p{0} + p{1} = 1)
<u>On défini</u> :
- La moyenne (m = \sum{x \in \Omega}{p(x) \times x = 0 \times (1 - p{1}) + 1 \times p{1}} = p{1})
- La variance : (\sigma^{2} = \sum{x \in \Omega}{(x^{2} - m^{2})\times p(x) = \sum{x \in \Omega}{x^{2}\times p(x) - m^{2} \times \sum_{x \in \Omega}{p(x)}}})
L'étalement autour de la valeur moyenne