Loi normale

.......... Lois de probabilités classiques en statistique................................. Loi normale unidimensionnelle.................................................................. Loi du khi-deux ............................................................................................ Loi de Student.............................................................................................. Loi de Fisher-Snedecor.........................................................................

événement de probabilité non nulle. Notation ( ). Indépendance de deux événements. Notions de lois à densité. Loi à densité sur un intervalle. Loi Uniforme sur [ ; ]. Espérance d’une variable aléatoire suivant une loi uniforme. Lois Exponentielles. Espérance d’une variable aléatoire suivant une loi exponentielle. Loi Normale centrée réduite, Théorème de Moivre-Laplace (admis). Loi Normale ( , ). CAPACITES ATTENDUES • Construire un arbre pondéré en lien avec une situation donnée. • Exploiter la lecture

fonction de répartition et lois discrètes Loi de probabilité d’une variable aléatoire Y fonction d’une variable aléatoire X Indépendance de deux variables aléatoires Moments d’une variable aléatoire 5 • Lois de probabilité discrètes 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 Définition d’une variable discrète Loi de Dirac Loi uniforme Loi binomiale ou loi des tirages avec remise Loi multinomiale Loi hypergéométrique ou loi du tirage exhaustif Loi de Poisson Lois limites Résumé 6

discr`etes usuelles . . . . . . . . . . . . . . . . . 1.4.1 La loi binomiale B(n, p) . . . . . . . . . . . . 1.4.2 La loi hyperg´eom´etrique H(N, n, p) . . . . . 1.4.3 La loi de Poisson P(m) . . . . . . . . . . . . 1.5 Lois continues usuelles . . . . . . . . . . . . . . . . . 1.5.1 La loi normale (Laplace-Gauss) N (µ, σ) . . . 1.5.2 La loi du Khi-deux `a n degr´es de libert´e (χ2n ) 1.5.3 La loi de Student `a n degr´es de libert´e (Tn ) . 1.5.4 La loi de Fischer-Snedecor (F(n1 , n2 )) . . . . . . . . .

variable X dans la population-mère EST normale OU NON Dans ce cas : 1. la distribution dec suit une loi normale (par application du Théorème Central Limite si la distribution de la population-mère n’est pas normale) 2. la moyenne de la DE de X est : E X   ET : Option 1 :  est connu dans la population   3. la variance de la DE est : V X  4. l’écart réduit Z    ² n et l’écart-type :  X     n X   suit une loi normale centrée réduite n Option 2 : 

distribution statistique : les modèles continues I. La loi normale Laplace-Gauss A. Définition de la loi normale B. Loi normale réduite centrée C. Détermination pratique des probabilités : Usage des tables statistiques D. Conditions d’application 1. Variable aléatoire normale 2. Théorème central limite Loi du Khi² A. Définition B. Tables statistiques C. Somme du Khi² indépendantes Loi de Student A. Définition B. Densité de probabilité de la loi de Student Loi de Fisher-Snedecor A. Définition B. Tables statistiques

fonction de répartition et lois discrètes Loi de probabilité d’une variable aléatoire Y fonction d’une variable aléatoire X Indépendance de deux variables aléatoires Moments d’une variable aléatoire 49 49 52 54 56 57 58 59 5 • Lois de probabilité discrètes 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 Définition d’une variable discrète Loi de Dirac Loi uniforme Loi binomiale ou loi des tirages avec remise Loi multinomiale Loi hypergéométrique ou loi du tirage exhaustif Loi de Poisson Lois limites Résumé

Distribution de Gumbel . . . . . . . . . . . . . . . . . . . . Distribution de frechet pour differentes valeurs de ξ . . . . . Comparaison des queues de disitributions de la loi Pareto et de la loi exponentielle . . . . . . . . . . . . . . . . . . . . . . Comparaison de la distribution empirique des returns de Total avec la loi gaussienne et q-gaussienne . . . . . . . . . . . . . . . . 7 8 9 . 14 3 1 Introduction Une donn´e outlier, ou donn´e aberrante est une observation qui se trouve

rejette l’hypothèse nulle. d) β = P (7.65 ≤ ͞x ≤ 8.35 │H1 : µ = 7.8) À l’aide de la transformation centre réduite on a : β = P (7.65 – 7.8 ≤ Z ≤ 8.35 – 7.8) 1.5/√70 1.5/√70 β = P(-0.84 ≤ Z ≤ 4.74) Si on utilise la table de la loi normale centrée réduite, on trouve P(0 ≤ Z ≤ -0.84) = 0.5 β = P(-0.84 ≤ Z ≤ 4.74) = P(0 ≤ Z ≤ 4.74) - P(0 ≤ Z ≤ -0.84)=0.5-0.2995=0.2005 Le risque d’accepter à tort l’hypothèse nulle µ = 8 alors que la vrai moyenne est 7.8 est seulement de 2 chances

marge d’erreur ne dépasse pas 0.005 g/l RESOLUTION : a) Variable normale car population normale  intervalle de confiance b) À partir d’un échantillon aléatoire simple de 20 observations, on estime la moyenne d’une population normale avec une erreur de 3 unités sur un degré de confiance Combien d’observations supplémentaires faudrait-il effectuer pour ramener l’erreur à 2 unités ? RESOLUTION : Population normale  variable normale  intervalle de confiance : Or donc Pour avoir Il faudrait donc