Vecteur aléatoire

identiquement distribué) Soit une population caractériser par une variable aléatoire notée X. Soient : μ son espérance mathématique τ2 sa variance θ le vecteur de ses autres caractéristiques La loi de X, est notée L. Elle dépend de μ,τ,θ. On écrit : X L(μ,τ2,θ) Exemple : Si X suit une loi normale, on écrit : X N(μ,τ2) Si X suit une loi de position. X P(λ) Définition : Soient X1, X2, X3,… ,Xn des extraits aléatoires issus de la loi de X. On dit que le n-uplet (X1, X2, X3,… ,Xn) est un

Appliquée Maîtrise d’Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre 2. UFR Economie Appliquée. Cours de C. Hurlin 2 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. UFR Economie Appliquée. Cours de C. Hurlin 3 Dans le premier chapitre, nous avons vu qu’une des première étape de la démarche de modélisation d’une série temporelle consiste à vérifier la stationnarité du processus

4 Donner ses valeurs propres avec leur ordre de multiplicité. 5 Donner une base de vecteurs propres orthonormée. 3 6 R3 est muni du produit scalaire x y = ∑ i =1 xi yi . Soit f l'application de R 3 × R 3 dans R qui au couple ( x, y ) associe f ( x, y ) = x Ay . L'application f est-elle un produit scalaire? 7 Calculer les valeurs propres de l'ACP centrée de A en fonction des valeurs propres de A. 8 Les vecteurs propres normés de A et les axes principaux de l'ACP de A sont-ils comparables ? 9 Le

situations pouvaient être décrites en faisant intervenir des "forces aléatoires". Exemple. Considérons par exemple le modèle simple de croissance de population : dN = a(t)N (t), N (0) = N0 une constante dt où N (t) est la taille de la population à l'instant t, et a(t) le taux de croissance associé à l'instant t. Parfois nous ne pouvons pas déterminer complétement a(t). En eet, a(t) peut être lié à des perturbations aléatoires de l'environnement. On peut alors écrire a(t) = r(t) + "bruit",

indépendants . . . . . . . . . . . . . . . . . . . . . . 34 2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3 Variables aléatoires réelles 43 3.1 Définition-Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.2 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . 48 3.3 Variables aléatoires absolument continues . . . . . . . . . . . . . . 53 3.4 Fonction génératrice des moments . . . . . . . . . . . . . . . . . . 58 3.5 Fonction

= ∫ Propriétés : ∀n ∈ !*, Γ(n) = (n − 1)! , Γ(1) = 1 , Γ(1 / 2) = π , ∀a > 1, Γ(a ) = (a − 1)Γ(a − 1) . • la fonction Béta est définie pour a > 0 et b > 0 par β (a, b) = Γ (a)Γ(b) 1 a −1 = x (1 − x) b−1 dx . Γ (a + b) ∫0 Table 1 : Variables aléatoires réelles discrètes Nom et Symbole Support Probabilités élémentaires Espérance Variance P( X = k ) Loi de Bernoulli B ( p ) p ∈ ]0,1[ Loi binomiale B (n, p ) p ∈ ]0,1[ , n ∈ !* Loi binomiale négative BN (n, p ) p ∈ ]0,1[ , n ∈ !* Loi de

Remarque importante sur les calculs de variance et d’écart type........ 3 L’écriture de quelques fonctions utiles ............................................................. 5 2.1 Tableau de calcul, espérance, variance, écart type d’une variable aléatoire discrète................................................................ 5 2.2 Texte des fonctions tab et espvar................................................................ 6 Utilisation en Statistiques : régression linéaire ................

. . . . . . . Image d’une probabilité, variables aléatoires 4.1 Fonctions mesurables . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Image d’une probabilité. . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Les variables aléatoires réelles et leurs lois. . . . . . . . . . . . . . . L’espérance mathématique d’une variable aléatoire 5.1 Les variables aléatoires étagées. . . . . . . . . . . . . . . 5.2 Espérance d’une variable aléatoire quelconque. . . . . . . 5.3 Théorème du transport.

H1 LES HYPOTHÈSES DU M.R.S Le modèle est correctement spécifié  La variable explicative retenue est la « meilleure » sans omissions d’autres variables  La vraie relation est linaire ou par rapport aux paramètres à estimer  La variable aléatoire intervient de manière additive H2 H3 X et Y sont des grandeurs numériques observées sans erreurs  E(ei) = 0 ce qui implique que les valeurs calculées sont proches des valeurs observées L’Homoscédaticité  Les erreurs ei sont distribuées

pour la Biologie – Deug SV – UCBL D. Mouchiroud (25/02/2003) ………………………………………………………………….................................................. si n est l’effectif total étudié, l’effectif théorique attendu, ti pour la modalité i de la variable aléatoire X est : (loi des grands nombres en probabilité) ti = n * pi Quelque soit l’hypothèse nulle testée, la stratégie est la même pour tous les tests du χ2. La statistique du χ2 calculée (χ2obs.) est comparée avec la valeur seuil, χ2seuil lue sur la table