{ "cells": [ { "cell_type": "markdown", "id": "d8a44086-5db1-45a0-bd5b-711deda53aeb", "metadata": {}, "source": [ "# Probabilités et Statistiques \n", "Cours 2/3\n", "\n", "Dimitri de Smet d'Olbecke" ] }, { "cell_type": "markdown", "id": "f9f68927", "metadata": {}, "source": [ "Estimer un loi normale -> revenir sur les pdt : comment estimer les lois à paritr d'échantillons\n", "# Taille d'une population\n", "n = 1000\n", "X = np.random.normal(size=[n,10000],loc=0,scale=1)\n", "abs(np.average(np.std(X,axis=0)*n/(n-1)-1))\n", "\n", "#générer des nombres aléatoires qui suivent une distribution normale. échantillonner pour estimer les paramètre d'une distribution\n", "n = 1000\n", "X = np.random.normal(size=[n,10000],loc=0,scale=1)\n", "abs(np.average(np.std(X,axis=0)-1))" ] }, { "cell_type": "markdown", "id": "ad31e360", "metadata": {}, "source": [ "Multivarié : générer des vecteurs de distribution normale. Traiter la probabilité d'être dans une zone comme une fréquence" ] }, { "cell_type": "markdown", "id": "9514984f-7b41-4238-a1c9-788c7f1f35be", "metadata": { "slideshow": { "slide_type": "slide" }, "tags": [] }, "source": [ "## Probabilité conditionnelle\n", "\n", "probabilité d'un événement sachant qu'un autre événement a eu lieu. \n", "\n", "$${\\displaystyle \\mathbb {P} (A\\mid B)={\\frac {\\mathbb {P} (A\\cap B)}{\\mathbb {P} (B)}}} $$\n", "\n", "$$\\Leftrightarrow $$\n", "\n", "$${\\displaystyle \\mathbb {P} (A\\mid B). \\mathbb{P}(B)=\\mathbb {P} (A\\cap B)} = \\mathbb {P} (B\\mid A). \\mathbb{P}(A)$$\n", "\n", "$$\\Leftrightarrow $$\n", "\n", "$$\\mathbb {P} (B\\mid A) = \\frac{\\mathbb {P} (A\\mid B).\\mathbb{P}(B)}{\\mathbb{P}(A)} $$\n", "\n", "**