QCM : Rappels statistiques pour l’économétrie (21 questions)

Questions et réponses du QCM

1. Concernant la notion de variable aléatoire :

Une variable discrète prend toutes les valeurs d’un intervalle.
Une variable discrète peut prendre un nombre fini de valeurs.
Une variable continue prend un ensemble fini ou dénombrable de valeurs.
Elle associe un nombre réel à chaque résultat d’une expérience aléatoire.
Elle associe une probabilité à chaque nombre réel, sans passer par les résultats.

Une variable discrète peut prendre un nombre fini de valeurs. · Elle associe un nombre réel à chaque résultat d’une expérience aléatoire.

Explication

Une variable aléatoire associe bien un réel à chaque résultat de l’expérience, et une variable discrète a un support fini ou dénombrable. Les valeurs de tout un intervalle caractérisent la variable continue ; l’association se fait aux résultats, non directement aux réels.

2. Un indicateur de succès suit une loi de Bernoulli de paramètre p=0,3p=0{,}3. Parmi les propositions suivantes concernant cet indicateur, laquelle (lesquelles) est (sont) exacte(s) ?

La probabilité que l’indicateur vaille 11 est 0,30{,}3.
Une somme de nn indicateurs indépendants de même paramètre suit une loi de Poisson.
Son espérance est égale à 0,70{,}7.
Sa variance est égale à 0,30{,}3.
La probabilité que l’indicateur vaille 00 est 0,30{,}3.

La probabilité que l’indicateur vaille $$1$$ est $$0{,}3$$.

Explication

Par définition, l’indicateur vaut 11 avec probabilité p=0,3p=0{,}3 et 00 avec probabilité 0,70{,}7. Son espérance vaut p=0,3p=0{,}3 et sa variance vaut p(1−p)=0,21p(1-p)=0{,}21 ; une somme de tels indicateurs suit une loi binomiale.

3. Pour modéliser un nombre d’accidents par mois, une équipe retient une loi de Poisson de paramètre λ=3\lambda=3. Concernant ce choix :

La probabilité de compter exactement kk accidents est e−33k(k+1)!e^{-3}\frac{3^{k}}{(k+1)!}.
La loi retenue attribue à chaque entier kk une probabilité e−33kk!e^{-3}\frac{3^k}{k!}.
La variance du nombre d’accidents est égale à 33.
La moyenne du nombre d’accidents est égale à 33.
La régression de Poisson convient à une variable dépendante de comptage dans N\mathbb{N}.

La loi retenue attribue à chaque entier $$k$$ une probabilité $$e^{-3}\frac{3^k}{k!}$$. · La variance du nombre d’accidents est égale à $$3$$. · La moyenne du nombre d’accidents est égale à $$3$$. · La régression de Poisson convient à une variable dépendante de comptage dans $$\mathbb{N}$$.

Explication

Pour une loi de Poisson, l’espérance et la variance sont toutes deux égales à λ\lambda, ici 33, et la fonction de masse utilise le dénominateur k!k!. La régression de Poisson est adaptée aux données de comptage dont la variable dépendante appartient à N\mathbb{N}.

4. Une variable XX a une espérance de 44 et une variance de 99. On définit Y=2X+3Y=2X+3. Quelles propositions sont exactes au sujet des moments de XX et YY ?

L’espérance de YY est égale à 88.
L’écart-type de XX est égal à 8181.
La variance de YY est égale à 2121.
La variance de YY est égale à 3636.
L’espérance de YY est égale à 1111.

La variance de $$Y$$ est égale à $$36$$. · L’espérance de $$Y$$ est égale à $$11$$.

Explication

La transformation affine donne E(Y)=2E(X)+3=11E(Y)=2E(X)+3=11 et Var⁡(Y)=22Var⁡(X)=36\operatorname{Var}(Y)=2^2\operatorname{Var}(X)=36. L’écart-type de XX vaut 9=3\sqrt{9}=3 ; l’espérance ne vaut pas 88 et la constante ajoutée ne modifie pas la variance.

5. Pour deux variables aléatoires XX et YY, on examine leurs moments et leur dépendance. Cochez la (les) proposition(s) exacte(s) :

L’espérance de leur somme est la somme de leurs espérances.
Si elles sont indépendantes, la variance de leur somme est la somme de leurs variances.
Une covariance nulle implique que les deux variables sont indépendantes.
La corrélation de Pearson appartient à l’intervalle [−1,1][-1,1].
Le kurtosis est défini par le moment centré réduit d’ordre 44.

L’espérance de leur somme est la somme de leurs espérances. · Si elles sont indépendantes, la variance de leur somme est la somme de leurs variances. · La corrélation de Pearson appartient à l’intervalle $$[-1,1]$$. · Le kurtosis est défini par le moment centré réduit d’ordre $$4$$.

Explication

L’espérance est additive ; la corrélation est bornée entre −1-1 et 11, et le kurtosis correspond au moment centré réduit d’ordre quatre. Sous indépendance, les variances s’additionnent, mais une covariance nulle ne suffit pas à établir l’indépendance.

6. On considère X∼N(0,1)X\sim\mathcal{N}(0,1) et Y=X2Y=X^2. Concernant la covariance et les moments :

Une covariance nulle garantit l’indépendance de deux variables aléatoires.
La covariance entre XX et YY est nulle, bien que ces variables soient dépendantes.
Une distribution leptokurtique possède un kurtosis inférieur à celui de la loi normale.
L’indépendance de deux variables implique une covariance nulle lorsque leurs moments sont définis.
Sous normalité des résidus, le terme correct du test de Jarque-Bera est (γ2−2)24\frac{(\gamma_2-2)^2}{4}.

La covariance entre $$X$$ et $$Y$$ est nulle, bien que ces variables soient dépendantes. · L’indépendance de deux variables implique une covariance nulle lorsque leurs moments sont définis.

Explication

Comme Y=X2Y=X^2, on a Cov⁡(X,Y)=E(X3)=0\operatorname{Cov}(X,Y)=E(X^3)=0, mais la dépendance subsiste. Une covariance nulle n’implique donc pas l’indépendance, tandis que l’indépendance implique une covariance nulle. Une distribution leptokurtique a un kurtosis supérieur à 3, et le terme de Jarque-Bera porte sur γ2−3\gamma_2-3.

7. Un modèle suppose ln⁡(Wi)=μ+ui\ln(W_i)=\mu+u_i avec ui∼N(0,σ2)u_i\sim\mathcal{N}(0,\sigma^2). Quelles propositions concernant les lois continues sont exactes ?

L’espérance d’une loi log-normale ln⁡N(μ,σ2)\ln\mathcal{N}(\mu,\sigma^2) vaut eμ+σ2e^{\mu+\sigma^2}.
La variable WiW_i suit une loi log-normale et prend des valeurs strictement positives.
La variable WiW_i suit une loi normale de moyenne μ\mu et de variance σ2\sigma^2.
Pour une loi normale N(μ,σ2)\mathcal{N}(\mu,\sigma^2), l’espérance est μ\mu et la variance est σ2\sigma^2.
La loi log-normale peut représenter des salaires et des revenus.

La variable $$W_i$$ suit une loi log-normale et prend des valeurs strictement positives. · Pour une loi normale $$\mathcal{N}(\mu,\sigma^2)$$, l’espérance est $$\mu$$ et la variance est $$\sigma^2$$. · La loi log-normale peut représenter des salaires et des revenus.

Explication

La normalité de uiu_i implique que WiW_i suit une loi log-normale, asymétrique à droite et strictement positive, et non une loi normale. Une loi normale a pour espérance μ\mu et variance σ2\sigma^2. L’espérance de la log-normale est eμ+σ2/2e^{\mu+\sigma^2/2}, et cette loi sert notamment à représenter salaires et revenus.

8. Une mesure XX suit N(100,152)\mathcal{N}(100,15^2); on la transforme en T=2X+5T=2X+5. Concernant la loi normale :

Environ 68,3 % des valeurs de XX se trouvent entre 85 et 115.
La variable standardisée Z=X−10015Z=\frac{X-100}{15} suit une loi normale standard.
Environ 95,4 % des valeurs de XX se trouvent à moins de trois écarts-types de 100.
La variable TT suit N(205,900)\mathcal{N}(205,900).
La loi de XX a ses points d’inflexion en 100 et 130.

Environ 68,3 % des valeurs de $$X$$ se trouvent entre 85 et 115. · La variable standardisée $$Z=\frac{X-100}{15}$$ suit une loi normale standard. · La variable $$T$$ suit $$\mathcal{N}(205,900)$$.

Explication

La standardisation donne Z=(X−100)/15∼N(0,1)Z=(X-100)/15\sim\mathcal{N}(0,1), et la règle empirique place environ 68,3 % des valeurs à un écart-type de la moyenne. La transformation affine donne une moyenne 2×100+5=2052\times100+5=205 et une variance 22×152=9002^2\times15^2=900. Les points d’inflexion sont en 85 et 115; environ 95,4 % des valeurs se situent à deux écarts-types, tandis que trois écarts-types correspondent à environ 99,7 %.

9. On additionne les carrés de kk variables normales standard indépendantes, puis deux variables indépendantes de lois du khi-deux. Quelles propositions sont exactes ?

Une loi χ2(k)\chi^2(k) a pour espérance kk et pour variance 2k2k.
Une loi χ2(k)\chi^2(k) est asymétrique à gauche.
La somme de lois indépendantes χ2(3)\chi^2(3) et χ2(4)\chi^2(4) suit χ2(7)\chi^2(7).
Une loi χ2(k)\chi^2(k) est symétrique autour de sa moyenne et admet des valeurs négatives.
La somme des carrés des kk variables suit une loi χ2(k)\chi^2(k).

Une loi $$\chi^2(k)$$ a pour espérance $$k$$ et pour variance $$2k$$. · La somme de lois indépendantes $$\chi^2(3)$$ et $$\chi^2(4)$$ suit $$\chi^2(7)$$. · La somme des carrés des $$k$$ variables suit une loi $$\chi^2(k)$$.

Explication

La somme des carrés de kk variables indépendantes de loi N(0,1)\mathcal{N}(0,1) suit χ2(k)\chi^2(k), et non χ2(2k)\chi^2(2k). Cette loi a une espérance kk, une variance 2k2k, prend des valeurs strictement positives et est asymétrique à droite : elle n’est donc ni symétrique autour de sa moyenne ni à valeurs négatives. L’addition de lois indépendantes χ2(3)\chi^2(3) et χ2(4)\chi^2(4) donne χ2(7)\chi^2(7).

10. Deux variables indépendantes vérifient Z∼N(0,1)Z\sim N(0,1) et V∼χ2(8)V\sim\chi^2(8) ; une autre paire indépendante vérifie V1∼χ2(6)V_1\sim\chi^2(6) et V2∼χ2(10)V_2\sim\chi^2(10). Concernant les lois obtenues :

Le carré du rapport Z/V/8Z/\sqrt{V/8} suit une loi de Fisher à paramètres 8 et 1.
En MCO, SCR/σ2SCR/\sigma^2 suit une loi du khi-deux à n−K+1n-K+1 degrés de liberté.
Le rapport V1/6V_1/6 divisé par V2/10V_2/10 suit une loi de Student.
Le rapport Z/V/8Z/\sqrt{V/8} suit une loi de Student à 8 degrés de liberté.
Le rapport V1/6V_1/6 divisé par V2/10V_2/10 suit une loi de Fisher à paramètres 6 et 10.

Le rapport $$Z/\sqrt{V/8}$$ suit une loi de Student à 8 degrés de liberté. · Le rapport $$V_1/6$$ divisé par $$V_2/10$$ suit une loi de Fisher à paramètres 6 et 10.

Explication

Le quotient d’une normale centrée réduite par la racine d’un khi-deux indépendant divisé par ses degrés de liberté suit une loi de Student, ici à 8 degrés. Le rapport des deux khi-deux réduits suit une loi de Fisher à paramètres 6 et 10; il n’est pas de Student. Le carré d’une variable de Student à 8 degrés suit une loi de Fisher à paramètres 1 et 8. En MCO, les degrés de liberté de SCR/σ2SCR/\sigma^2 sont n−Kn-K, et non n−K+1n-K+1.

11. Dans une régression MCO, on observe R2=0,4R^2=0{,}4, K=5K=5 et n=25n=25. Parmi les propositions suivantes concernant le test global et les tests de coefficients, lesquelles sont exactes ?

La statistique globale vaut 0,4/40{,}4/4 divisé par 0,6/200{,}6/20, soit environ 3,333{,}33.
Un test de coefficient nul utilise une loi de Fisher à 4 et 20 degrés de liberté.
Le test global utilise une loi de Student à 20 degrés de liberté, avec un seuil voisin de 2.
La statistique globale vaut 0,4/50{,}4/5 divisé par 0,6/200{,}6/20, soit environ 2,672{,}67.
Un test de coefficient nul utilise une loi de Student à 20 degrés de liberté.

La statistique globale vaut $$0{,}4/4$$ divisé par $$0{,}6/20$$, soit environ $$3{,}33$$. · Un test de coefficient nul utilise une loi de Student à 20 degrés de liberté.

Explication

La formule globale donne [0,4/(5−1)]/[0,6/(25−5)]=0,1/0,03≈3,33[0{,}4/(5-1)]/[0{,}6/(25-5)]=0{,}1/0{,}03\approx3{,}33. Un test de coefficient nul se réfère à t(n−K)=t(20)t(n-K)=t(20); la loi de Fisher concerne le test global, avec paramètres K−1K-1 et n−Kn-K, et une valeur critique approximative de 3.

12. Dans une étude portant sur une population entière, une équipe tire 80 observations et calcule une moyenne échantillonnale pour estimer un paramètre inconnu. À propos de ces notions :

Une statistique est une fonction des paramètres et non des données.
Les 80 observations tirées constituent un échantillon issu de la population étudiée.
La population désigne les 80 observations recueillies pour cette analyse.
La distribution d’échantillonnage de l’estimateur décrit les valeurs individuelles de la population.
L’estimateur varie d’un échantillon à l’autre et possède une distribution d’échantillonnage.

Les 80 observations tirées constituent un échantillon issu de la population étudiée. · L’estimateur varie d’un échantillon à l’autre et possède une distribution d’échantillonnage.

Explication

L’échantillon est constitué des 80 observations tirées de la population. Une statistique est une fonction des données, tandis qu’un estimateur est une statistique qui approche un paramètre inconnu; l’estimateur varie entre les échantillons et sa distribution d’échantillonnage sert à construire tests et intervalles de confiance. Cette distribution porte sur l’estimateur, pas sur les valeurs individuelles de la population.

13. Des observations indépendantes et identiquement distribuées ont une moyenne de 12 et une variance de 36 ; leur moyenne empirique est calculée sur 9 observations. Quelles sont les réponses exactes au sujet de sa distribution et de ses moments ?

Si les observations sont normales, la moyenne empirique suit exactement N(12,36)N(12,36).
Sans normalité des observations, la moyenne empirique suit nécessairement exactement une loi normale.
La moyenne empirique a une espérance de 12 et une variance de 36.
La moyenne empirique a une espérance de 12 et une variance de 4.
La moyenne empirique a une espérance de 4 et une variance de 12.

La moyenne empirique a une espérance de 12 et une variance de 4.

Explication

L’espérance de la moyenne empirique est μ=12\mu=12 et sa variance vaut σ2/n=36/9=4\sigma^2/n=36/9=4. Si les observations sont normales, sa loi exacte est N(12,4)N(12,4), où le second paramètre est la variance; l’exactitude de cette normalité n’est pas garantie pour des observations non normales.

14. Dans une régression MCO, on suppose que X′X/n→QXXX'X/n\to Q_{XX} et X′u/n→0X'u/n\to0. Quelles conséquences ces conditions permettent-elles d’établir ?

Le TCL décrit directement la convergence de la moyenne empirique vers la valeur numérique μ.
La LGN décrit la convergence de la moyenne empirique vers un nombre, ici sa moyenne de population.
La limite de X′u/nX'u/n vers zéro établit la normalité asymptotique de l’estimateur MCO.
Si ces deux limites sont vérifiées, l’estimateur MCO converge en probabilité vers le paramètre β.
La convergence de l’estimateur MCO vers β découle de la seule limite de X′X/nX'X/n vers QXXQ_{XX}.

La LGN décrit la convergence de la moyenne empirique vers un nombre, ici sa moyenne de population. · Si ces deux limites sont vérifiées, l’estimateur MCO converge en probabilité vers le paramètre β.

Explication

L’écriture de l’estimateur MCO et les deux limites indiquées conduisent à β^→Pβ\hat\beta\xrightarrow{P}\beta, donc à sa cohérence. La LGN concerne la convergence de la moyenne vers un nombre, alors que le TCL caractérise la distribution des fluctuations; aucune de ces limites ne suffit, à elle seule, à établir les conclusions erronées proposées.

15. Une étude estime une moyenne sur 12 observations et ajuste ensuite un modèle MCO à 3 paramètres. Concernant les degrés de liberté et les variances estimées, cochez la (les) proposition(s) exacte(s) :

L’estimateur de variance des erreurs MCO divise la somme des résidus carrés par 9.
La variance empirique sans biais divise la somme des carrés centrés par 12.
La variance empirique sans biais divise la somme des carrés centrés par 11.
Les résidus autour de la moyenne estimée ont une somme nulle, ce qui laisse 11 résidus libres.
L’estimation de la moyenne consomme deux degrés de liberté, laissant 10 résidus libres.

L’estimateur de variance des erreurs MCO divise la somme des résidus carrés par 9. · La variance empirique sans biais divise la somme des carrés centrés par 11. · Les résidus autour de la moyenne estimée ont une somme nulle, ce qui laisse 11 résidus libres.

Explication

La variance empirique sans biais utilise n − 1, donc 11 au dénominateur pour 12 observations. La contrainte de somme nulle laisse n − 1 résidus libres, tandis que le modèle MCO laisse n − K = 12 − 3 = 9 degrés de liberté. L’estimation de la moyenne ne consomme qu’un degré de liberté, et diviser par n ne donne pas la variance empirique sans biais.

16. Dans une analyse de deux variables, un chercheur calcule leur covariance empirique, leurs écarts-types et leurs rangs. Parmi les propositions suivantes concernant les mesures de corrélation, lesquelles sont exactes ?

La corrélation de Spearman est calculée à partir des rangs des observations des deux variables.
Une valeur aberrante peut moins affecter Spearman, car cette corrélation repose sur les rangs.
La corrélation de Spearman se calcule en divisant la covariance par le produit des variances.
La covariance empirique repose sur les produits des écarts à leurs moyennes, avec un dénominateur n − 1.
La corrélation de Pearson s’obtient en divisant la covariance empirique par le produit des deux écarts-types.

La corrélation de Spearman est calculée à partir des rangs des observations des deux variables. · Une valeur aberrante peut moins affecter Spearman, car cette corrélation repose sur les rangs. · La covariance empirique repose sur les produits des écarts à leurs moyennes, avec un dénominateur n − 1. · La corrélation de Pearson s’obtient en divisant la covariance empirique par le produit des deux écarts-types.

Explication

Pearson normalise la covariance par le produit des écarts-types, et la covariance empirique utilise les écarts à la moyenne avec le facteur n − 1. Spearman est fondée sur les rangs et est robuste aux valeurs aberrantes. La formule proposée pour Spearman est incorrecte : elle ne correspond pas à la définition fondée sur les rangs.

17. Un analyste observe une corrélation nulle entre deux variables et une covariance nulle entre un régresseur et l’erreur. Quelles sont les réponses exactes au sujet de ces constats ?

Une corrélation nulle entre deux variables ne suffit pas à établir leur indépendance.
Dans les MCO, la condition d’espérance conditionnelle nulle est plus forte que la covariance nulle entre régresseur et erreur.
Une corrélation nulle implique que les deux variables sont indépendantes dans toute distribution.
La covariance nulle entre régresseur et erreur équivaut à la condition MCO d’espérance conditionnelle nulle.
La condition MCO E(ui∣Xi)=0E(u_i\mid X_i)=0 entraîne une covariance nulle entre le régresseur et l’erreur.

Une corrélation nulle entre deux variables ne suffit pas à établir leur indépendance. · Dans les MCO, la condition d’espérance conditionnelle nulle est plus forte que la covariance nulle entre régresseur et erreur. · La condition MCO $$E(u_i\mid X_i)=0$$ entraîne une covariance nulle entre le régresseur et l’erreur.

Explication

Une corrélation nulle ne garantit pas l’indépendance, car des dépendances non linéaires peuvent subsister. La condition E(ui∣Xi)=0E(u_i\mid X_i)=0 est plus forte que la seule covariance nulle et entraîne celle-ci. Les deux propositions qui identifient corrélation nulle à indépendance ou covariance nulle à la condition MCO confondent ces distinctions.

18. Pour le modèle log-normal des salaires présenté, quelles propositions décrivent correctement la distribution et ses mesures centrales ?

La médiane est approximativement de 3119 euros et la moyenne de 2440 euros.
La médiane des salaires est approximativement de 2440 euros, tandis que la moyenne atteint environ 2753 euros.
Le logarithme du salaire suit approximativement une loi normale de moyenne 7,8 et d’écart-type 0,25.
La médiane et la moyenne des salaires sont toutes deux approximativement égales à 2440 euros.
Le logarithme du salaire suit approximativement une loi normale de moyenne 7,8 et d’écart-type 0,5.

La médiane des salaires est approximativement de 2440 euros, tandis que la moyenne atteint environ 2753 euros. · Le logarithme du salaire suit approximativement une loi normale de moyenne 7,8 et d’écart-type 0,5.

Explication

Le modèle spécifie ln(W) ~ N(7.8, 0.5²), et les valeurs indiquées sont une médiane d’environ 2440 euros et une moyenne d’environ 2753 euros. Le troisième quartile est d’environ 3119 euros, et la moyenne de la loi normale du logarithme est 7,8. Les propositions qui donnent 3119 euros comme médiane, intervertissent les mesures centrales, ou attribuent au logarithme une moyenne de 0,5 et un écart-type de 0,25 sont incorrectes.

19. Pour une variable aléatoire dont les moments centrés sont disponibles, cochez la (les) proposition(s) exacte(s) :

L’asymétrie standardise le troisième moment centré par le cube de l’écart-type.
Pour une distribution à queue épaisse, le kurtosis vaut moins de trois.
Le kurtosis standardise le troisième moment centré par le cube de l’écart-type.
Pour une loi normale, le kurtosis vaut trois et son excès de kurtosis vaut zéro.
L’asymétrie standardise le quatrième moment centré par la puissance quatre de l’écart-type.

L’asymétrie standardise le troisième moment centré par le cube de l’écart-type. · Pour une loi normale, le kurtosis vaut trois et son excès de kurtosis vaut zéro.

Explication

L’asymétrie est le troisième moment centré divisé par σ3\sigma^3, tandis que le kurtosis normal vaut 33 et son excès vaut 00. Une distribution à queue épaisse a un kurtosis supérieur à trois. Le kurtosis repose sur le quatrième moment centré divisé par σ4\sigma^4.

20. Une série de résidus présente une asymétrie négative ; pour examiner aussi sa normalité, quelles propositions sont exactes ?

La statistique de Jarque-Bera suit sous normalité une loi du khi-deux à un degré de liberté.
Sous l’hypothèse de normalité, la statistique de Jarque-Bera suit une loi du khi-deux à deux degrés de liberté.
Une asymétrie négative correspond à une queue située du côté gauche.
Une asymétrie négative correspond à une queue située du côté droit.
La statistique de Jarque-Bera combine l’asymétrie et l’écart du kurtosis à trois.

Sous l’hypothèse de normalité, la statistique de Jarque-Bera suit une loi du khi-deux à deux degrés de liberté. · Une asymétrie négative correspond à une queue située du côté gauche. · La statistique de Jarque-Bera combine l’asymétrie et l’écart du kurtosis à trois.

Explication

Une asymétrie négative indique une queue à gauche, et une asymétrie positive une queue à droite. Sous normalité, Jarque-Bera suit une loi χ2(2)\chi^2(2) et sa formule combine γ12\gamma_1^2 avec l’écart entre γ2\gamma_2 et trois.

21. Une économiste étudie des revenus très asymétriques à droite, des erreurs de mesure et un test d’indépendance sur tableau croisé. Quelles associations sont exactes ?

La loi normale est celle qui représente les revenus asymétriques à droite dans Black-Scholes.
La loi du khi-deux intervient dans les tests d’indépendance sur tableaux croisés.
La loi normale peut modéliser des erreurs de mesure et des rendements journaliers approximatifs.
La loi log-normale peut représenter des revenus asymétriques à droite et des prix d’actifs dans Black-Scholes.
La loi du khi-deux intervient dans les tests LM, notamment ceux de Breusch-Pagan et de Jarque-Bera.

La loi du khi-deux intervient dans les tests d’indépendance sur tableaux croisés. · La loi normale peut modéliser des erreurs de mesure et des rendements journaliers approximatifs. · La loi log-normale peut représenter des revenus asymétriques à droite et des prix d’actifs dans Black-Scholes. · La loi du khi-deux intervient dans les tests LM, notamment ceux de Breusch-Pagan et de Jarque-Bera.

Explication

La loi normale est mobilisée pour les erreurs de mesure et les rendements journaliers approximatifs, tandis que la loi log-normale représente notamment les revenus asymétriques à droite et les prix d’actifs dans Black-Scholes. Le khi-deux intervient dans les tests d’indépendance et les tests LM ; l’association des revenus à la loi normale est erronée.

Révisez avec les flashcards

Mémorisez les réponses avec 90 flashcards sur Rappels statistiques pour l’économétrie.

Que fait une variable aléatoire à chaque résultat d’une expérience aléatoire ?

Elle associe un nombre réel à chaque résultat.

Quelles valeurs une variable aléatoire discrète peut-elle prendre ?

Un nombre fini ou dénombrable de valeurs.

Quelle est l’espérance d’une variable suivant une loi de Bernoulli de paramètre pp ?

p.p.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Rappels statistiques pour l’économétrie.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM