Loi normale

aléatoire et l’appréciation du risque d’exploitation peut être obtenue par le calcul de la probabilité que le seuil de rentabilité soit atteint. Cela suppose que l’on connaisse la loi de probabilité suivie par le CA de la firme. Par exemple, supposons que le CA de notre entreprise suive une loi de probabilité de type loi normale N (1000 ; 200). => (« espérance de vie » ; « écart type »). De manière intuitive, l’espérance est une moyenne pondérée des probabilités et l’écart type est la racine carrée

distance parcourue depuis l’évènement précédent. C’est donc bien une loi de Poisson. Item A vrai, B faux. De plus, la fréquence d’apparition est connue : elle vaut ¼ car nous nous intéressons au nombre de véhicules croisés par kilomètre. Il s’agit donc du seul paramètre de cette loi : lambda = ¼, qui est différent de 4, l’item C est donc faux. D : Vrai application de la formule du cours. E : Vrai : Bien que dans une loi de Poisson nous n’étudions que des probabilités d’apparition d’un nombre

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 6.2 Lois continues 6.2.1 Loi normale 6.2.1.1 Définition 6.2.1.2 Propriétés 6.2.2 Loi du χ2 (chi-2) 6.2.2.1 Définition 6.2.2.2 Propriétés 6.2.3 Loi de Student

Commençons alors d'abord par considérer le modèle suivant : yi=β0+β1xi+εi , i=1..n Où y1…. yn sont les observations de la variable poids, x1….xn sont les observations de la variable taille. On suppose que ε1…. εn sont des variable i.i.d. de loi Normale N(0,σ2) et que β0,β1 et σ2>0 sont les paramètres inconnus du modèle. Son estimation utilisant R donne les résultats suivants : Residuals: Min 1Q Median 3Q Max -8.2334 -3.1314 0.3744 3.2657 12.7302 Coefficients:

différence entre les modèles probit et logit est la spécification de F. 3.1. Probit Le modèle PROBIT est celui pour lequel F est la fonction de répartition de la loi normale centrée réduite : Ce qui donne : 3.2. Logit Le modèle logitest celui pour lequel F est la fonction de répartition de la loi logistique: Ce qui donne : 4. Estimation par maximum de vraisemblance : On utilise la méthode du maximum

Inf´rentielle e Maxime REBY - Thomas ROMAIN - Mathieu LIMOUZIN 2013-2014 Table des mati`res e Statistiques descriptives 1 Histogramme et densit´s possibles de f e 2 Estimation non param´trique de la densit´ e e 3 S´lection de la loi et estimation des param`tres e e 4 Test de Kolmogorov-Smirnov 5 Test de l’esp´rance e 6 Estimation du quartile et intervalle de confiance 7 Simulation de 1000 ´chantillons e 8 1 Statistiques descriptives Les statistiques

chaque balade qu’il effectue, un cavalier a une probabilité p d’être désarçonné. Loi binomiale 1. Quelle est la probabilité que le cavalier ait chuté k fois au terme de n balades ? On suppose que les différentes promenades sont indépendantes les unes des autres. 2. Quelle est la loi du nombre de chutes en n balades ? 3. Donner l’espérance et la variance du nombre de chutes en n balades. Exercice 3 Loi hypergéométrique Le responsable qualité d’une usine contrôle 20 objets dans chaque

. . C Rappels de probabilité C.1 Généralités . . . . . . . . . . . . . . . . . C.2 Vecteurs aléatoires gaussiens . . . . . . . . C.3 Tables des lois usuelles . . . . . . . . . . . C.3.1 Loi Normale X ∼ N (0, 1) . . . . . C.3.2 Loi de Student X ∼ Tν . . . . . . . C.3.3 Loi du Khi-deux à ν ddl X ∼ χ2ν . C.3.4 Loi de Fisher à ν1 , ν2 ddl X ∼ Fνν21 93 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . 3 Lois usuelles pour le mod` ele lin´ eaire 3.1 Loi gaussienne . . . . . . . . . . . . . . . 3.2 Propri´et´es . . . . . . . . . . . . . . . . . . 3.3 Vecteurs al´eatoires gaussiens et densit´es . 3.4 Invariance par transformation orthogonale 3.5 Loi Gamma . . . . . . . . . . . . . . . . . 3.6 La loi du χ2 ` a k degr´es de libert´e . . . . 3.7 La loi de Student . . . . . . . . . . . . . . 3.8 Loi de Fisher . . . . . . . . . . . . . . . . . . . . . . . .

seront arrondis à 10−3 près. Partie A : Conditionnement des pots 1. On veut p(X 6 49). Avec la calculatrice p(X 6 49) ≈ 0.202. 2. On note σ ′ le nouvel écart-type, et Z la variable aléatoire égale à X −50 σ′ a. La variable aléatoire Z suit la loi normale centrée réduite. b. Une valeur approchée du réel u tel que p(Z 6 u) = 0,06 est u ≈ −1.555. c. Z = X −50 σ′ ⇔ X = σ ′Z +50 p(X 6 49) = 0,06 ⇔ p ¡ σ ′Z +50 6 49¢ = 0,06 ⇔ p µ Z 6 − 1 σ′ ¶ = 0,06 On doit donc avoir − 1 σ′ = −1,555