Normal distribution

Kolmogorov-Smirnov Hypothèses  H0 : X suit une loi Normale H1 : X ne suit pas une loi Normale Test de Kolmogorov-Smirnov à un échantillon | | salaire en euro | N | 15 | Paramètres normauxa,b | Moyenne | 1359,67 | | Ecart-type | 71,576 | Différences les plus extrêmes | Absolue | ,177 | | Positive | ,177 | | Négative | -,099 | Z de Kolmogorov-Smirnov | ,687 | Signification asymptotique (bilatérale) | ,732 | a. La distribution à tester est gaussienne. | b. Calculée à partir

privé Salariés secteur public Total Effectifs (en milliers) 2 669 17 270 4 789 24 728 Le mode de la distribution est représenté par les salariés du secteur privé. Sur le diagramme il s’agit du tuyau le plus haut 14 Le mode: d’ un appareil A Nombre de vente par jours Nombre de jours Variables discrètes: Le mode est la VALEUR avec l’effectif le plus important. Exemple: Distribution des jours d’ouvertures d’un magasin suivant le nombre de vente 0 24 1 57 2 75 3 53 4 33

RAPPEL DES PRINCIPALES LOIS DE DISTRIBUTIONS DE PROBABILITES 1 Loi Binomiale B(n,p) Il s’agit en fait de la somme de n variables aléatoires indépendantes [pic] qui suivent une loi [pic], de même paramètre p. ❑ [pic] avec [pic] ❑ [pic] ❑ [pic] Somme de lois binomiales. Soient deux variables aléatoires indépendantes: [pic] qui suit [pic], et [pic] qui suit [pic]. La V.A. définie par [pic] suit une loi [pic]. 2 Loi de Poisson P(() On appelle variable aléatoire de Poisson

DES MATIÈRES 1. Loi de probabilité 2 1.1. Exemple 2 1.1.1. Calcul de probabilités sur un univers W 2 1.1.2. Variable aléatoire à valeurs réelles. 2 1.1.3. Probabilité image définie par une variable aléatoire 2 1.1.4. Loi de probabilité ou distribution d’une variable aléatoire 3 1.1.5. Fonction de répartition 3 1.2. Autres exemples 3 1.2.1. Exemple de variable aléatoire discrète 3 1.2.2. Exemple de variable aléatoire discrète, prenant une infinité de valeurs 3 1.2.3. Exemple de variable

leurs richesses finales ; * 2) que leur utilité croît avec la richesse et qu'ils ont de l'aversion pour le risque   * 3) qu'il est possible de représenter leurs préférences par des fonctions définies sur les deux premiers moments d'une distribution de richesse aléatoire, à savoir l'espérance et la variance. * Étant donné que la richesse finale d'un individu est déterminée par le rendement de son investissement, cette dernière hypothèse signifie que les préférences des investisseurs peuvent

de 5% (), cfr calcul des intervalles de confiance). P-valeur (p-value) = P(tobs>=T ou plus extrême|H0)30 ou n=100, 200 ou 300, on va s’assurer qu’on est proche de la normalité (c-à-d que l’échantillon suit une loi normale). Ex : pour les porcs X (prise de poids) suit une loi normale dans l’échantillon, si elle ne l’était pas, ça n’irait pas. Application du test T à une moyenne : 1) On écrit l’hypothèse nulle et l’hypothèse alternative H0 : µ=u0 H1 : µu0 2) La statistique de test : On calcule

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 6.2.4 Loi exponentielle Chapitre 7 : 7.1 7.2 7.2.1 7.2.2 7.2.3 7.3 7

Distributions usuelles Binomiale : discrète Compter les éléments qui se distinguent Ex. : produits défectueux dans un échantillon Poisson : discrète Compter des apparitions Ex. : panne d’un système informatique Exponentielle : continue Attendre une apparition Ex. : durée avant une panne Normale : continue Observer le résultat d’un hasard complexe Ex. : valeur du TSX Loi binomiale Expérience 4 propriétés 1- une série de n tirage

suivante: les garçons sont-ils plus grands, en moyenne, que les filles? différence moyenne de taille: XD = 15,0 cm écart type de cette différence: D = 1,35 cm nombre d'écarts types au-dessus de 0 cm (0 cm  pas de différence de taille) Dans une distribution normale, la probabilité d'avoir une valeur qui s'écarte de la moyenne de plus de 11  est inférieure à 2.10-28 et donc complètement négligeable. Si nos échantillons sont représentatifs, il n'y a donc aucune chance que la différence de taille soit due

relation entre X et Y est linéaire Indépendance des erreurs : Les valeurs de l’erreur sont statistiquement indépendantes Normalité de l’erreur : Les valeurs de l’erreur sont distribuées selon la loi Normale pour toute valeur de X Égalité de la variance (appelée aussi homoscedasticité) La distribution de probabilité des erreurs a une variance constante Précisions à propos des hypothèses : Les valeurs estimées b0 et b1 (ou “hat” values) sont estimées grâce à des données empiriques. b0 et b1