set.seed(123) # Pour la reproductibilité sample_size <- 100 # Nombre de points à afficher (ajuste selon besoin) données_sample <- données %>% sample_n(min(sample_size, nrow(données))) # Prendre un échantillon limité ggplot(données_sample, aes(x = "", y = age)) + geom_boxplot(outlier.colour = "red", outlier.shape = 16, outlier.size = 3) + geom_jitter(width = 0.1, size = 0.8, alpha = 0.5, color = "blue") + theme_minimal() + labs(title = "Distribution des âges (échantillon)", y = "Âge")

Forme possible de la variation de msb si on fait varier pNP, dans cette version pNS s'adapte a la variation de pNP, il suffit de dire que la forme exacte de cette courbe dépend comment on décide de faire varier pNS quand on fait varier pNP, ce qui est pas précisé dans le sujet donc pas besoin d'approffondir plus

Si on remplace rremb par une fonction qui renvoie juste x0, on retrouve les mêmes valeurs qu'avec un eta très grand

Plus eta est grand, plus la fonction de densité de f * va être centrée sur x0, donc tout les accidents vont couter x0 quand eta devient grand, voir graph suivant

Logique, Pour n jours de pluie, l'espérance du nombre d'accident est l'espérance de la loi binomiale de paramètre n et pP, qui est n * pP, et on atteint l'espérance avec beaucoup de valeurs (ce qu'on fait pour ces tests de paramètres)

Quand pNP augmente le nombre de jours de pluie augmente, donc vu notre pacc le nombre d'accident augmente et le ms aussi

Test de variation de s zoomé Lorsque la valeur du seuil arrive vers la valeur du Remboursement moyen, seuls les cas rares de gros remboursement sont pris en compte, et cette rareté augmente grandement la variance du résultat (à reformuler surement)

test large pour s