Loi normale multidimensionnelle

Connaît-on la variance ? NON OUI On estime: On considère On doit supposer la normalité de la variable mesurée (Xi~N(μ,σ)) On estime: On considère Comparé à εα Comparé à εα (Table loi normale) (Table loi normale) OUI On considère On considère Comparé à tαn-1 (Table loi student n-1 ddl) Comparé à εα (Table loi normale) B) Comparaison à une proportion théorique Exemple du début du cours: Maladie qui tue p0 = 50% des souris sans traitement Traitement testé sur 40 souris ⇒ 23 survivantes Effet

Poujol, Laurent Bertrandias Livre_7490.indb 34 21/10/10 15:40 On mesure la symétrie et la forme de la distribution par l’asymétrie et l’aplatissement. Le coefficient de symétrie (skewness) mesure l’asymétrie d’une distribution. Une distribution normale est symétrique (voir figure 2.4), c’est-à-dire que les valeurs sont les mêmes de part et d’autre du centre de la distribution, et possède une valeur de skewness de 0. Une distribution avec un skewness positif significatif est une distribution asymétrique

probabilité :     Identifier et manipuler les variable aléatoires; Reconnaître les distributions de probabilités discrètes et continues ; Définir et expliquer les espérances et les variances; Définir et expliquer les lois d'usage courant (binomiale, normale, ...). En statistique :    Reconnaître les principales distributions d'échantillonnages; Définir et expliquer les notions d’intervalles de confiance; Définir et expliquer les notions de tests d'hypothèses. Documents pédagogiques 2 OBJECTIFS

variable aléatoire donne le nombre de cônes défectueux et on suppose que les 2 000 tirages sont indépendants les uns des autres. De plus, la probabilité qu’un cône soit défectueux est de 0, 003. On peut donc dire que la variable aléatoire X suit la loi binomiale de paramètres n = 2000 et p = 0, 003. 2. Si un client reçoit un lot contenant au moins 12 cônes défectueux, l’entreprise procède alors à un échange de celui-ci. L’événement « un lot n’est pas échangé » se produit quand le nombre de cônes

bonne réponse est d . On le vérifie en injectant les coordonnées des points A, F et H dans l’équation x + y − z = 0. 4. La bonne réponse est b . → − −−→ −−→ Un vecteur normal de P est n (1 ; 1 ; −1), or EC (1 ; 1 ; −1). Par conséquent EC est −→ −−→ −→ normal à P , et comme EL et EC sont colinéaires, EL est de ce fait aussi normal à P . 5. La bonne réponse est d . −−→ On a EC (1  ; 1 ; −1) et E(0 ; 0 ; 1) ; une représentation paramétrique de la droite (EC)  x = t y = t (t ∈ R) . Le point L a donc

racine carrée → écart-type (σ) Remarque : une courbe en cloche s'appelle une courbe gaussienne (Laplace-Gauss). 2 ) Loi normale Distribution de référence • Pour de nombreuses variables (n élevé). • Caractérisée par la répartition des valeurs autour de la moyenne → calculer la proportion des valeurs situées à x écart-types de la moyenne (score z et table de la loi normale centrée réduite). Situer un individu par rapport à sa population de référence • Population : L1 de psycho (≈ 500

Format de la courbe et des points 56 Police de caractères : 57 Calculs de corrélation : 57 Cas particulier : droite d'ajustement de Mayer 57 Probabilités 58 Loi binomiale 58 Loi de Poisson 60 Loi normale (ou loi de Laplace-Gauss) 61 Intervalle de confiance 63 Fonction de répartition d’une loi normale 64 Suites numériques 65 Suites de la forme un = f(n) 65 Suites définies par une relation de récurrence un = f (un–1) 66 Représentation graphique d’une intégrale 68

On considère un ensemble E (la population) et on s'intéresse à une caractéristique (caractère statistique) que présente chaque élément de E. Exemples - on s'intéresse aux notes du DS1 des élèves de la classe : la population est l'ensemble des élèves, la caractère statistique est la note - on s'intéresse à la durée de vie des ampoules produites par une usine : la population est l'ensemble des ampoules, le caractère statistique est la durée de vie On fait ensuite un relevé statistique relativement

Mathematica 1 2 3 4 5 6 7 8 9 ED bases des proba lois discrètes lois continues loi Normale TCL, vecteur Risque Test Anova Evaluation Mathematica 2 3 test Mathematica Cours 1 h. CD disponible 1 ED Mathematica https://portail.ensam.eu/sites/TRA-CO/AS/AE/SIMMetz Plan du cours 1. Introduction 2. Bases des probabilités 3. Variables aléatoires (discrètes et continues) 4. Vecteurs aléatoires 5. Convergences en loi 6. Estimation 7. Test 8. Analyse de la variance 3 1) Introduction Probabilités

Probabilit´s conditionnelles . . . . . . . . . e 3 Variable al´atoire discr`te e e 3.1 Variable al´atoire . . . . . . . . . . . e 3.1.1 D´finition g´n´rale . . . . . . e e e 3.1.2 Variables al´atoires discr`tes e e 3.1.3 Variables al´atoires continues e 3.2 Loi d’une variable al´atoire discr`te . e e 3.2.1 D´finition . . . . . . . . . . . e 5 . 5 . 5 . 5 . 5 . 6 . 6 . 6 . 7 . 7 . 7 . 7 . 7 . 8 . 8 . 8 . 9 . 11 13 13 14 14 15 17 18 23 23 23 23 24 24 24 . . . . . . . . . . . . . . . . . . . . . . . . .