Distribution variable

B) Codification des variables 1) les différents types de variables Dans l’analyse de questionnaire on distingue 3 types de variables : - Variable qualitative/nominale : variables dont les « modalités » se présentent sous forme de texte - Variable ordonnée/ordinale : dont les « modalités » doivent être classé - Variable quantitative numérique : dont les « modalités » indique une quantité 2) le codage des variables : une fois identifier chaque variable de l’enquête fait l’objet

d'un modèle, les variations d'une variable, par exemple le rendement d'une réaction chimique, en fonction d'un certain nombre d'autres variables comme, la température et la quantité de catalyseur utilisées pour effectuer la réaction. On écrira la relation recherchée sous la forme suivante : Y = f ( X 1, X 2) où Y représente le rendement, X1 , la température et X , la quantité de catalyseur. Y sera 2 appelé la variable expliquée ou réponse et X1 , X2 les variables explicatives ou facteurs. f(X 1

5.1 5.2 5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.3 5.4 Variables aléatoires Définition d’une variable aléatoire Variables aléatoires finies Représentation d’une loi de probabilité finie Espérance mathématique d’une loi finie Variance et écart-type Loi de probabilité produit Variables aléatoires indépendantes Fonction de répartition Variables infinies dénombrables Variables aléatoires continues Chapitre 6 : Exemples de distributions 6.1 Lois discrètes 6.1.1 Loi de Bernoulli 6.1.2 Loi binomiale

valeur d'une variable aléatoire (quand la variable aléatoire est discrète), soit la probabilité que la variable aléatoire appartienne à un intervalle arbitraire (quand la variable est continue).[1] La loi de probabilité décrit l'ensemble des valeurs qu'une variable aléatoire peut atteindre et la probabilité que la valeur de la variable aléatoire soit dans n'importe quel sous ensemble (mesurable) de cet ensemble. La Loi normale, souvent appelée la "courbe en cloche" Quand la variable aléatoire prend

fonction du degré d’implication des gens sur l’objet de la discussion. Si l’objet de discussion n’est pas impliquant, la convergence se fera vers la moyenne : normalisation. Si l’objet est impliquant, la convergence se fera vers un des pôles de la distribution des réponses initiales : polarisation. Expérimentation : Qu’est ce que c’est ? Claude Bernard : « ne comparer que ce qui est comparable et pour cela ne faire varier qu’un seul facteur à la fois ». Ceci implique une notion de variation et

réfrénant son vol mathématique, doit s’honorer d’être une science expérimentale » A la différence de la statistique, qui étudie généralement une ou deux variables aléatoires en se fondant sur des hypothèses (distribution, probabilités) l’analyse de données construit à partir de la réalité observée, des hypothèses, en étudiant simultanément plusieurs variables. Ce qui la différencie donc principalement de la statistique, est son caractère multidimensionnel. De ce caractère découle un ensemble de méthodes

sont indépendant si Statistiques inductives Loi Normale avec : moyenne et Utilisation des tables :   X : n’importe quelle variable : variable centrée réduite telle que et : écart-type 2 Une valeur centrée réduite est nulle si elle est à la moyenne. Quand on a une valeur négative : Intervalle où l’en trouve 95% des valeurs : avec . Loi Binomiale Distribution continue qui donne les probabilités de voie apparaître un évènement de probabilité « p » respectivement 0, 1, 2,…, n fois au cours

? Récemment encore les réponses actuarielles apportées à cette question étaient basées sur des hypothèses fortes : soit les risques étaient supposés indépendants, soit on admettait leur dépendance mais en leur imposant de suivre la même loi de distribution. Désormais, une modélisation plus réaliste des liaisons entre risques est possible grâce à la théorie des copules, objet d’un vif regain d’intérêt depuis quelques années. L’impact de la dépendance entre risques sur la détermination du besoin en

subjectiviste ....................................... 12 1.4.2.1 Mesure d'incertitude .................................... 13 1.4.2.2 Le bayésianisme ........................................ 13 Ch 2 : Variables aléatoires .............................................. \5 2.1 Loi de probabilité et moments d'une variable aléatoire réelle ................ 15 2.1.\ Définition et fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . \5 2.1.1.1 Généralités . . . . . . . . . . . . . .

régression d'une variable expliquée sur une ou plusieurs variables explicatives dans lequel on fait l'hypothèse que la fonction qui relie les variables explicatives à la variable expliquée est linéaire dans ses paramètres. Formellement, on modèlise la relation entre une variable aléatoire y et un vecteur de variables aléatoires x. De manière générale, le modèle linéaire peut s'écrire de la manière suivante : y désigne la variable expliquée. Le vecteur x désigne l'ensemble des variables explicatives