Vecteur aléatoire

short g 1. Entrer ces valeurs dans le vecteur x ; x=[17 8 12 15 6 11 9 18 16 10 13 19] 2. Calculer la longueur N de ce vecteur ; N=length(x) 3. Calculer la somme S des éléments ; S=sum(x) 4. Calculer la moyenne x = ¯ 1 N N i=1 xi ; xbarre=S/N % version pédestre xbarre=mean(x) % version rapide 5. Calculer l’écart-type σ = 1 N−1 N i=1 (xi − x)2 ; ¯ sigma=sqrt(sum((x-xbarre).^2)/(N-1)) % version pédestre sigma=std(x) % version rapide 6. Calculer le vecteur dx = {xi+1 − xi } pour i = {1, 2,

Stat. explor. multidim. 4 Décomposition de la variance • La variance se décompose de la manière suivante LINF 2275 Stat. explor. multidim. 5 Projection sur une droite • L’opérateur de projection orthogonale, π, sur une droite de vecteur directeur unitaire v s’écrit • Avec • La variance des observations projetées s’écrit alors LINF 2275 Stat. explor. multidim. 6 Recherche de la projection de variance maximale • Nous avons donc LINF 2275 Stat. explor. multidim

................................................ Calcul combinatoire des probabilités ........................................................ Conditionnement et indépendance............................................................ Variables aléatoires réelles ................................................................... Généralités. Loi d’une var ........................................................................... Espérance mathématique ..........................................

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

Ω IP est une famille de lois de proba. sur (Ω, F) tq : IP→ (IPθ )θ ∈Θ θ ∈ Θ ⊂ ℜk qui dépend d’un paramètre vectoriel U. Paris Ouest L. Ferrara, 20122012-13 Hypothèse clé de travail : Les individus interrogés sont identifiés à des variables aléatoires X1 , …, Xn , à valeurs dans Ω (Ω = R ou Rd ), ) indépendantes et de même loi de distribution Pθ (i.i.d.) Remarques : R1: En général, Ω ⊂ Rd , on travaille alors avec la tribu des boréliens B d R d R2 : Quand Θ ⊂ ( R , BRd ) on parle de modèle paramétrique

lorsque h tend vers 0 , o ( h ) est négligeable par rapport à h . EXEMPLES 2u2 - u3 = o ( u ) 1 - cos u = o ( u ) sin u ≠ o ( u ) 1.1.2. Espérances mathématiques conditionnelles Soit { B1 , B2 , . . .} une partition de l’univers et X une variable aléatoire discrète de distribution pn = p ( X = xn ) . alors d’après le théorème des probabilités composées on a p n = ∑ p( X = x n B k ) p( B k ) pour tout n ∈ N k De même si X est continue de densité f ( x ) on obtient  f ( x ) = ∑ f ( x B k ) p( B

variables sur les vecteurs propres (composantes principales) .................................................................................................................................. 6 3.1.6 Qualité de la représentation des observations et des variables .................................................. 7 3.1.7 Contributions des observations et des variables ...................................................................... 7 3.1.8 Règles d'interprétation des vecteurs propres ........

groupe de risques sur une période fixée, et on se place dans le cadre du modèle composé. Le montant total cumulé des sinistres sur cette période s’écrit N : représente le nombre de sinistres survenus pendant la période considérée. C : La variable aléatoire parente « coût de sinistre ». ∑ Si N >0, 0 sinon. Le modèle s’est placé sous les trois hypothèses habituelles : (i) (ii) (iii) Indépendante fréquente/coût Indépendante et équidistribution des coûts de sinistres, Pas de sinistre de

linéaires Chapitre 8 Variables aléatoires réelles discrètes 1 Généralités sur les variables aléatoires réelles 2 Séries doubles convergentes 3 Indépendance de variables aléatoires réelles discrètes 4 Espérance et conditionnement des variables discrètes Chapitre 9 Vecteurs aléatoires discrets 1 Couples de variables aléatoires réelles discrètes 2 Variable aléatoire fonction d’un vecteur discret 3 Vecteurs aléatoires discrets à valeurs dans Rn Chapitre

Ministère des transports). 4 CHAPITRE 1. PROCESSUS STOCHASTIQUES 1.3 Processus stochastiques Le cadre nécessaire à l’ étude des processus stochastiques est celui d’ espace de probabilité et l’ un introduction de la notion de variable aléatoire. Rappelons simplement quelques dé…nitions de base en renvoyant le lecteur à ses cours des premières années, au livre complet, d’ bon niveau, de Neveu ou au un livre d’ Ouvrard, très riche en exemples. Dé…nition 1.1 Un espace de probabilité est un