Quelques distributions de probabilité classiques Distribution Bernoulli(p) Binomiale(n, p) Géométrique(p) Fonction de masse ou densité P[X = 0] = 1 − p Binomiale négative(m, p) P[X = k] = (1 − p)k−1 p P[X = k] = M P[X = k] = 1/m Poisson(ν) P[X = k] = e−ν ν k /k! Bêta(α, β) f (x) = k = 0, 1, 2, . . . x≥0 λα α−1 −λx x e Γ(α) f (x) = np np(1 − p) (pet + (1 − p))n 1/p (1 − p)/p2 pet 1 − (1 − p)et m/p m(1 − p)/p2 ( k = 1, 2, ..., m f (x) = λ e−λx Uniforme sur (a, b) pet + (1 − p) k = m, m + 1, ... k = 0, 1, 2, 3, ..., n Uniforme sur {1, 2, ..., m} f (x) = p(1 − p) k = 1, 2, 3, ... n Gamma(α, λ) p ) n−k ) P[X = k] = (kN +M Exponentielle(λ) Fonc. géné. des moments k = 0, . . . , n ) k−1 (1 − p)k−m pm m−1 (N )( Hypergéométrique(N, M, n) Variance P[X = 1] = p ( ) n P[X = k] = pk (1 − p)n−k k ( Espérance 1 b−a n N N +M n N M N +M N +M ( 1− n−1 N +M −1 a<x<b Γ(α + β) α−1 x (1 − x)β−1 Γ(α)Γ(β) 0<x<1 )m ) Yuck ! (m + 1)/2 (m2 − 1)/12 et (emt − 1)/(et − 1) ν ν 1/λ 1/λ2 α/λ α/λ2 a+b 2 (b − a)2 12 etb − eta t(b − a) α α+β αβ (α + β)2 (α + β + 1) Yuck ! t eν(e λ λ−t ( x≥0 pet 1 − (1 − p)et λ λ−t −1) t<λ )α t<λ Distribution Densité de probabilité f (x) = √ Normale(µ, σ 2 ) Khi-deux(k) t(k) F(k, ℓ) f (x) = f (x) = f (x) = 2 2 1 e−(x−µ) /2σ 2π σ k 1 x 2 −1 e−x/2 2k/2 Γ(k/2) x∈R x>0 Γ((k + 1)/2) 1 1 √ 2 /k)(k+1)/2 Γ(k/2) (1 + x kπ Γ((k + ℓ)/2) Γ(k/2) Γ(ℓ/2) x∈R ( )k/2 k k x 2 −1 ℓ (1 + (k/ℓ)x)(k+ℓ)/2 x>0 Espérance Variance µ σ2 k 2k 0 ( si k > 1) k/(k − 2) ( si k > 2) ℓ ( si ℓ > 2) ℓ−2 2ℓ2 (k + ℓ − 2) ( si ℓ > 4) · · · k(ℓ − 2)2 (ℓ − 4) Quelques rappels au sujet de la loi gamma(α, λ) : • Si Y ∼ gamma(α, λ), alors E[Y r ] = Γ(α + r)/(Γ(α)λr ) pour tout r > −α. ∑n ∑n • Si Xj ∼gamma(αj , λ) et si les Xj sont indépendantes, alors j=1 Xj ∼ gamma(α∗ , λ) avec α∗ = j=1 αj . • Si Y ∼ gamma(α, λ) et si c > 0, alors cY ∼ gamma(α, λ/c). • exponentielle(λ) = gamma(1,λ). • χ2k = gamma(k/2, 1/2). • Si Z ∼ N (0, 1), alors Z 2 ∼ χ21 . • Si les Xj sont i.i.d. N (µ, σ 2 ) et si S 2 = ∑n − X)2 , alors (n − 1)S 2 /σ 2 ∼ χ2n−1 . √ • Si Z et U sont indépendantes et si Z ∼ N (0, 1) et U ∼ χ2k , alors Z/ U/k ∼ tk . 1 n−1 j=1 (Xj • Si U et V sont indépendantes et si U ∼ χ2k et V ∼ χ2ℓ , alors U/k V /ℓ ∼ Fk,ℓ . ( ) 4 • On a toujours Var[S 2 ] = n1 µ4 − n−3 où µ4 dénote le 4e moment central. Dans le cas gaussien, cette formule devient Var[S 2 ] = n−1 σ 2 n−1 σ4 .