Normal distribution

de l'ingénieur Jean-Yves DANTAN 2009/2010 Organisation pédagogique 14 h. de CM 18 h. d’ED 8 h. tutorées Jean-Yves DANTAN Jean-Yves DANTAN Auto-formation 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

La Value at Risk (VaR) ESSI - 15/02/2004 Nicolas MARTIN – Josselin TOBELEM 1 Sommaire 1. Présentation de la VaR A. B. C. La VaR : un standard Concept Définition 2. Approche théorique A. B. C. Distribution des Mark-to-markets Risques de marchés VaR historique et paramétrique 3. Les différentes méthodes de calcul A. B. C. Méthodes Historiques Méthodes Paramétriques Bilan Nicolas MARTIN – Josselin TOBELEM 2 ESSI - 15/02/2004 1 – Présentation de la VaR A. La VaR :

électronique légère situé dans la région de Montréal. Le groupe MACHÉLO engage des vendeurs qu’il paie à la commission pour écouler les machines produites par le groupe. Les commissions annuelles gagnées par les vendeurs de machines obéissent à une loi normale, avec une moyenne de 50 000 $ et un écart type de 8 000 $. 1 . Quel est le pourcentage des vendeurs qui gagnent plus de 55 000 $ en commission par an? (5 points) 2 . Quel est le pourcentage des vendeurs qui gagnent entre 40 000 $ et 65 000 $

. . . . . 1.4.1 La loi binomiale B(n, p) . . . . . . . . . . . . 1.4.2 La loi hyperg´eom´etrique H(N, n, p) . . . . . 1.4.3 La loi de Poisson P(m) . . . . . . . . . . . . 1.5 Lois continues usuelles . . . . . . . . . . . . . . . . . 1.5.1 La loi normale (Laplace-Gauss) N (µ, σ) . . . 1.5.2 La loi du Khi-deux `a n degr´es de libert´e (χ2n ) 1.5.3 La loi de Student `a n degr´es de libert´e (Tn ) . 1.5.4 La loi de Fischer-Snedecor (F(n1 , n2 )) . . . . . . . . . . . . . . . . . . . . . . . . . .

la distribution de e ıt probabilit´ e • Exemple (discret): le chiffre d’affaires pr´visionnel pour l’ann´e e e prochaine: 50e avec la probabilit´ p=0.5 et 150e avec 1-p=0.5 e • Exemple (continu): le chiffre d’affaires pr´visionnel suit une e distribution normale d’esp´rance 100 et d’´cart-type 25 e e 3. La d´cision financi`re en situation de risque e e • Etablir la distribution: approche objective vs. subjective • Objective: s´ries temporelles ⇒ distribution de fr´quence ⇒ e e distribution de

. . . . . 2 1.4 Type des échantillons : . . . . . . . . . . . . . . . . . . 4 Les distributions d’échantillonnage. . . . . . . . . . . . . . . . 4 2.1 Importance des distrubutions d’échantillonnage. . . . . 4 2.2 Distributions d’échantillonnage de la Moyenne X : . . . 4 2.3 Distribution d’échantillonnage de la Variance S 2 : . . . 6 2.4 Distributions d’échantillonnage de la Proportion F : . . 7 Champ d’application : . . . . . . . . . . . .

taille n, associe sa moyenne ( X s'appelle encore la distribution des moyennes des échantillons). Que peut-on dire de cette variable aléatoire X ? Théorème Central Limite - Version 1 - (Version faible) Contexte : variable aléatoire X qui suit une loi normale sur la population X Ê N(m ; s) On prélève, au hasard, un échantillon (tirages avec remise(1) ou assimilés) de taille n de moyenne X . Alors la variable aléatoire X suit également une loi normale : s ö æ X Ê Nçm ; ÷ nø è Atténuation de la dispersion

taille n, associe sa moyenne ( X s'appelle encore la distribution des moyennes des échantillons). Que peut-on dire de cette variable aléatoire X ? Théorème Central Limite - Version 1 - (Version faible) Contexte : variable aléatoire X qui suit une loi normale sur la population X  N( ; ) On prélève, au hasard, un échantillon (tirages avec remise(1) ou assimilés) de taille n de moyenne X . Alors la variable aléatoire X suit également une loi normale :    X  N ;  n  Atténuation de la dispersion

les DISTRIBUTIONS D’ÉCHANTILLONNAGE  Distribution d’échantillonnage d’une moyenne Soit une population dans laquelle on étudie une certaine variable X Soit X la distribution d’échantillonnage des moyennes (c’est-à-dire la variable aléatoire qui associe à chaque échantillons de taille n extrait d’une population de taille N, de moyenne  et d’écart-type , la moyenne de cet échantillon) Cas 1 L’ECHANTILLON EST GRAND (n  30)  la distribution de la variable X dans la population-mère EST normale OU NON

aujourd'hui que les immigrants se déplaçaient d'environ 70 km par génération. Plus précisément, on admet que le déplacement D des immigrants en direction du Nouveau Monde par génération (soit en 25 ans), exprimé en km, est une variable aléatoire normale N (70, 30). 1) Quelle est la probabilité pour que D soit supérieur à 100 km ? 2) Quelle est la probabilité pour que D soit supérieur à 150 km sachant que D est supérieur à 100 km? 3) Quelle est la distance d0 telle que P(D 5) d) Pour n =100 et p0