Loi normale multidimensionnelle

La loi normale PRÉPARÉ PAR:  AIT ALI SARA  AIT BRIK REDOUANE  AIT OUMGHAR OUSSAMA  AIT TAHAR RACHID  OMAR AJDIR  AJERROUD SOUKAINA Généralités et définition On dit qu’une variable aléatoire X suit une loi normale centrée réduite si sa fonction de densité est: Représentation graphique Caractéristiques et propriétés:  Notation N(μ;σ²)  Courbe symétrique autour de μ et a 2 points D’inflexion aux abscisses μ-σ et μ+σ  E(X) = μ  V(X) = σ² La loi normale centrée réduite

un espace de probabilité. Dénition 1.1. Un processus stochastique B(t, ω) est appelé mouvement Brownien s'il satisfait les conditions suivantes : 1. P {ω; B(0, ω) = 0} = 1. 2. pour tous 0 ≤ s < t, la variable aléatoire B(t)−B(s) suit une loi normale centrée de variance t − s, i.e. pour tous a < b, P (a ≤ B(t) − B(s) ≤ b) = 1 2π(t − s) a b e−x 2 /2(t−s) dx. 2 3. B(t, ω) a des incréments indépendants, i.e., pour tous 0 ≤ t1 < t2 < ... < tn , les variables aléatoires B(t1

numéro de l'observation dans la catégorie i |[pic] : effet dû à la catégorie i | |[pic] : kième dépense de la catégorie i |[pic] : résidu aléatoire suivant une loi normale N[pic] (et | | |indépendant des autres résidus aléatoires). | Objectif : tester l’effet de la catégorie d’agglomération. H0 : (1=(2=(3=0

adaptées à ces deux types de variables : Loi hypergéométrique Loi binomiale Loi de Poisson Loi de Pascal Loi Normale ou LaplaceGauss Loi de Student Loi du Khi-Deux Loi de Fisher-Snédécor Lois des variables aléatoires discrètes Lois des variables aléatoires continues Ce chapitre étudiera ces différentes lois de probabilités en commençant par les lois des variables aléatoires discrètes. I. LOIS DES VARIABLES ALEATOIRES DISCRETES Définir la loi de probabilité d’une variable aléatoire

(Voir TD ) 3.6. Mod`les probabilistes continue e Dans tout ce chapitre, X d´signe une v.a.r. absolument continue. On note f sa densit´ de e e probabilit´ et F sa fonction de r´partition. e e 3.6.1. Loi uniforme Definition: Soit a, b ∈ R avec a < b. On dit que X suit une loi uniforme sur l’intervalle [a, b] si sa densit´ f e est d´finie par e  1  si a ≤ x ≤ b  b−a fX (x) =   0 si sinon On note en abr´g´ X ∼ U([a, b]) e e Remarque: On a bien +∞ f (x)dx = −∞ 1 b−a b

notations suivantes : n : nombre total d'observations n1 : le nombre de symboles + n2 : le nombre de symboles k : le nombre runs Si les réalisations successives sont indépendantes et si n1 > 10 et n2 > 10, le nombre de runs converge vers une distribution normale avec : - - 2n1 n2 + 1 n1 + n 2 2n n (2n n − n1 − n2 ) σ k2 = 1 2 1 2 (n1 + n2 ) 2 (n1 + n2 − 1) E (k ) = On construit alors aisément un test d'hypothèse (ou un intervalle de confiance) pour juger de la probabilité d'observer le nombre de

exercice, les résultats seront donnés à 10−3 près. 5 points 1. Une étude interne à une grande banque a montré qu’on peut estimer que l’âge moyen d’un client demandant un crédit immobilier est une variable aléatoire, notée X , qui suit la loi normale de moyenne 40, 5 et d’écart type 12. a. Calculer la probabilité que le client demandeur d’un prêt soit d’un âge compris entre 30 et 35 ans. b. Calculer la probabilité que le client n’ait pas demandé un prêt immobilier avant 55 ans. 2. Dans un slogan

valant 1 comme ci-dessus), X représente donc simplement le nombre de Pile sur les n lancers et on a X ∼ B(n, p). Proposition 2.9 (Moments d’une loi binomiale) Si X suit une loi binomiale de paramètres (n, p), alors : E[X] = np & Var(X) = np(1 − p) = npq. Autrement dit, la somme de 2 variables binomiales indépendantes et de même paramètre p suit elle aussi une loi binomiale de paramètre p (voir le corrigé de l’exercice 2.9). Le lien Bernoulli-Binomiale rend ces formules élémentaires : l’espérance

population et l’on cherche à en déduire des propriétés pour la population toute entière. Les variables statistiques qui décrivent la population peuvent être considérées comme des variables aléatoires dont la répartition est caractérisée par une loi de probabilité. Échantillonnage On sélectionne un échantillon de taille par tirage au sort de la population. On détermine les intervalles de fluctuation à partir des informations connues ou supposées dans la population (soit on connaît la

la régression : L.I.N.E : Linéarité : La relation entre X et Y est linéaire Indépendance des erreurs : Les valeurs de l’erreur sont statistiquement indépendantes Normalité de l’erreur : Les valeurs de l’erreur sont distribuées selon la loi Normale pour toute valeur de X Égalité de la variance (appelée aussi homoscedasticité) La distribution de probabilité des erreurs a une variance constante Précisions à propos des hypothèses : Les valeurs estimées b0 et b1 (ou “hat” values) sont