• 12 hours
  • Medium

Free online content available in this course.

course.header.alt.is_video

course.header.alt.is_certifying

Got it!

Last updated on 11/28/19

Déterminez votre modèle probabiliste

Log in or subscribe for free to enjoy all this course has to offer!

Quels modèles pour nos exemples introductifs ?

  1. Dans le premier exemple, on est dans un modèle dit de Bernoulli : les variables aléatoires suivent la même loi $\(\mathcal{B}(p)\)$ , et ce de manière indépendante.

  2. Dans le second exemple, on va se placer sous hypothèse gaussienne : les variables aléatoires suivent toutes la même loi $\(\mathcal{N}\left(\mu,\sigma^2\right)\)$ , et ce de manière indépendante. Cette hypothèse gaussienne n’est pas anodine, mais on peut l’émettre a priori ici au vu de la forme de l’histogramme ci-dessous.

Le coin R : consommation d’essence

On importe le fichier contenant les consommations d’essence :

essence <- read.table("essence.txt",header=TRUE)

On calcule la moyenne, la variance et l’écart-type de l’échantillon :

xbar <- mean(essence$conso)
round(xbar,digits=2)
## [1] 31.45

sprime <- sd(essence$conso)
round(sprime,digits=2)
## [1] 2.16

sprime2 <- var(essence$conso)
round(sprime2,digits=2)
## [1] 4.66

Si on souhaite obtenir la variance “biaisée”, on peut l’obtenir ainsi :

n_essence <- dim(essence)[1]
v <- sprime2*(n_essence-1)/n_essence
round(v,digits=2)
## [1] 4.63

On peut visualiser l’histogramme :

hist(essence$conso,prob=TRUE,xlab="",ylab="",ylim=c(0, 0.25),main="Histogramme")

On peut visualiser sur cet histogramme la moyenne empirique :

hist(essence$conso,prob=TRUE,xlab="",ylab="",ylim=c(0, 0.25),main="Histogramme")
abline(v=xbar,col="blue",lwd=3)
legend("topright",legend=("Moyenne empirique"),col="blue",lty=1,lwd=3)

On peut visualiser sur cet histogramme la moyenne empirique et le seuil “métier” (le seuil métier est la valeur sur laquelle souhaite communiquer le constructeur : 31 litres au cent) :

mu0 <- 31

hist(essence$conso,prob=TRUE,xlab="",ylab="",ylim=c(0, 0.25),main="Histogramme")
abline(v=xbar,col="blue",lwd=3)
abline(v=mu0,col="red",lwd=3)
legend("topright",legend=c("Moyenne empirique","Seuil testé"),col=c("blue","red"),lty=1,lwd=3)

On peut enfin superposer sur cet histogramme la densité gaussienne :

hist(essence$conso,prob=TRUE,xlab="",ylab="",ylim=c(0, 0.25),main="Histogramme et densité normale")
curve(dnorm(x,mean=xbar,sd=sprime),col="red",lwd=2,add=TRUE,yaxt="n")

On constate que l’écart entre l’histogramme, primo-estimation de la densité de probabilité, et la densité gaussienne sont plutôt proches (car la courbe rouge et l'histogramme sont quasiment superposables).

Example of certificate of achievement
Example of certificate of achievement