Matrice normale

Prof. Mohamed El Merouani REGRESSION LINÉAIRE MULTIPLE Plan du Chapitre : I.- Position du problème II.- Hypothèses d’application de la Méthode de moindres carrées III.- Estimation des composants du vecteur A lM ®E IV.- Espérance mathématique et matrices des variances covariances des estimateurs …à suivre… I.- Position du problème : Le modèle de régression linéaire multiple est de la forme : ero Y = a1 X 1 + a2 X 2 + L + ak X k + ε , où Y est la variable à expliquer,. ua X1,X2,…,Xk ce sont

Langerhans dont les cellules sécrètent l’insuline et le glucagon dans le sang. Un exemple de glande exocrine : Le pancréas sécrète le suc pancréatique dans l’intestin grêle. 2. Le tissu conjonctif : Tissu dont les cellules sont séparées par de la matrice extracellulaire contrairement aux épithéliums où les cellules sont jointives. Son nom vient du latin conjonctivus : qui sert à lier. Quantité : 2/3 du volume total chez l’homme. Origine embryonnaire commune : le mésoderme. Tissu très varié aux

Projet de Monte Carlo 1 Question1 : Soit Wt un mouvement brownien, alors : * Le processus Wt est gaussien * EWt=0 * EWtWs=min⁡(t,s) * Montrons que Wt est suit une N0,t En effet Wt est une variable aléatoire gaussienne et EWt=0 De plus on sait que EWtWs=min⁡(t,s) donc EWt2=t On en déduit que Wt suit une N0,t donc W0 suit une N0,0 donc W0=0 p.s * Montrons que E(Wt+r-Wt)Ws=EWt+r-WtEWs pour r > 0 et pour tout s ≤ t Soit r > 0 et s ≤ t On a E(Wt+r-Wt)Ws=EWt+rWs-EWtWs=s-s=0

069 Percentiles 25 31,00 12,00 17,00 50 47,00 14,00 20,00 75 62,00 17,00 23,00 COMMENTAIRES : Nous remarquons que la médiane(deuxième quartile) est du même ordre de grandeur que la moyenne on peut dire que probablement la distribution est normale autour de la moyenne. Il suffit aussi de voir si les données sont symétriques pour aller dans le même sens ou pas dans les présomptions de normalité. Dans ce cas le coefficient de symétrie de Skewness Skewness ,091 ,004 -,645 Pour l’âge,

Convenons d’appeler nombre normal tout r´el de [0, 1] tel que la fr´quence e e de chacun des 10 chiffres d´cimaux 0, 1, . . . 9 dans le d´veloppement d´cimal e e e illimit´ de ce nombre converge vers 1/10. Nous avons ainsi obtenu un r´sultat de e e th´orie des nombres qui s’´nonce ainsi : l’ensemble de tous les nombres normaux e e Ch. Suquet, Probabilit´s e 131 Chapitre 6. Loi des grands nombres de [0, 1] a pour longueur 1 (on dit aussi presque tout nombre de [0, 1] est normal). Ce r´sultat est dˆ

cours d’un intervalle de temps fini a une distribution normale dont la variance augment avec la langueur de l’intervalle Soit z une variable qui suit un mouvement brownien simple. Soit ∆z l’accroissement de z pendant un petit intervalle de temps ∆t. ∆z a deux propriétés : 1. ∆z = ԑ ∆t L’accroissement dépend donc de la racine carrée de l’intervalle pendant lequel il se produit. ԑ est une variable aléatoire qui a une distribution normale centrée réduite, c'est-à-dire que : * Son espérance

de la distribution suivant une loi lognormale Renvoie la probabilité d'une variable aléatoire continue suivant une loi normale Renvoie, pour une probabilité donnée, la valeur d'une variable aléatoire suivant une loi normale Renvoie la distribution cumulée suivant une loi normale standard Renvoie, pour une probabilité donnée, la valeur d'une variable aléatoire suivant une loi normale standard Renvoie la distribution Poisson Renvoie la probabilité d'une variable aléatoire suivant une loi T de Student

iHH«"FJI STATISTIQUE DESCRIPTIVE STATISTIQUE DESCRIPTIVE . Aplatissement fort 2 v=?,fl{xl--ï)i=21tâ-\'Lf* \ i -\2 i v On appelle écart-type ou écart quadratique le nombre réel Aplatissement : moyen ""-{ Distribution normale) Aplatissement faible Moment d'ordre n (neN) : mtt = Y,fixi i Moment centré d'ordre n ' ' ' Fig. 1.6 II. SERIES STATISTIQUES A DEUX 1- Tableaux statistiques . a) Lorsqu'il n'y a qu'une observation pour couple (x t ,y t ) on décrit la

est donn´ par : e ] Φ−1 ( 1+α ) r Φ−1 ( 1+α ) r √2 , + √2 [. − n n 2 n 2 n Pour un exemple, cf. le troisi`me exercice du devoir surveill´. e e 2.2 Estimation de l’esp´rance d’une variable gaussienne. e On suppose que la variable X suit une loi normale N (µ, σ), µ et σ ´tant inconnus, e et on cherche ` d´terminer un intervalle de confiance pour µ au niveau 1 − α. Soit a e T une variable al´atoire suivant une loi de Student ` ν = n − 1 degr´s de libert´ ; e a e e au moyen de la table de la loi de

Cours : Rappeler le th´or`me Central Limit avec ses hypoth`ses dans le cas g´n´ral. e e e e e √ Wn − λ (b) En d´duire que n √ e converge en loi vers une loi normale centr´e r´duite e e λ √ Wn − λ (c) On pose An = n √ . En utilisant la d´composition suivante e Wn ￿ √ Wn − λ λ An = n √ , Wn λ montrer que An converge en loi vers une loi normale centr´e r´duite. e e (d) En utilisant la statistique An , d´duire un intervalle de confiance asymptotique pour λ ` e a 95% 6. Les observations x1 , . . . , xn