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 X i qui suivent une loi 0,1 , de même paramètre p. P X xi C xni p xi q n xi avec q 1 p E X np V X npq Somme de lois binomiales. Soient deux variables aléatoires indépendantes: X 1 qui suit B n1 , p , et X 2 qui suit B n 2 , p . La V.A. définie par X X 1 X 2 suit une loi B n1 n2 , p . Binomial Distribution probability 0,4 Event prob.,Trials 0,1,10 0,3 0,2 0,1 0 0 2 4 6 8 10 x 2. Loi de Poisson P() On appelle variable aléatoire de Poisson une variable aléatoire discrète X pouvant prendre des valeurs entières 0, 1, 2, …, k avec des probabilités - - - e-, e , e ,… e où est un paramètre positif arbitraire. 1! P X x i e E X VX 2! k! xi , k R xi ! Estimation. ̂ x , sans biais Somme de deux lois de Poisson. Soient X 1 et X 2 deux variables aléatoire indépendantes suivant respectivement les lois P 1 et P 2 . La loi Z X 1 X 2 suit une loi P 1 2 . Poisson Distribution probability 0,15 Mean 10 0,12 0,09 0,06 0,03 0 0 5 10 15 20 25 30 x 3. Loi du Khi-deux 2 f x 1 2 / 2 2 E X Var X 2 1 x2 e x 2 Somme de carré de loi normales centrées réduites. Soient variables aléatoires N 0,1 indépendantes X 1 , X 2 ,, X . La variable aléatoire X X i2 i 1 suit une loi de probabilité 2 (khi-deux à degrés de liberté). Somme de lois du Khi-deux. Soient X et Y deux variables aléatoires indépendantes suivant une loi du n 2 . Alors la variable aléatoire. Z X Y suit une loi 2 de paramètres n1 et 2n1 n2 Distance du 2 Cette distance est utilisée pour tester si une distribution observée suit une certaine loi. Il s'agit de la valeur d 2 vecteur ou matrice distributi on observée - distributi on théoriq ue 2 distributi on théoriq ue , ou plus précisément: r Pour un vecteur: d 2 ni Np i 2 i 1 Np i , qui suit une loi 2r 1 . Les ni correspondent aux quantités observées, les pi aux probabilités théoriques (lues dans les tables), et N à la taille de l'échantillon observé. r ,s Pour une matrice: d 2 i 1, j 1 nij Np ij 2 Np ij , qui suit une loi 2r 1 s 1 Chi-Square Distribution 0,1 Deg. of freedom 10 density 0,08 0,06 0,04 0,02 0 0 10 20 30 40 x 4. Loi Gamma a, l Rappel mathématique: fonction gamma d'Euler et propriétés l x l 1 e x dx , pour l 0 0 l 1 l l 1 1 1 2 n n 1! , si n est entier Généralités sur la loi gamma al e ax x l 1 si x 0 l l E X a f x VX l a2 Somme de lois gamma. Soient X 1 et X 2 , 2 variables aléatoires indépendantes suivant respectivement les lois a, l1 et a, l 2 . Alors la variable aléatoire Z X 1 X 2 suit une loi a, l1 l 2 Rapport entre loi normale et loi gamma. 1 1 Soit X une variable aléatoire suivant la loi N 0,1 . Alors la loi Y X 2 suit une loi 1, . 2 2 Gamma Distribution 1 Shape,Scale 1,1 density 0,8 0,6 0,4 0,2 0 0 1 2 3 4 5 6 x 5. Loi Normal f x 1 2 E X m Var X 2 N m, 2 e 1 x m 2 2 Moyenne. ˆ x , sans biais m Variance lorsque la moyenne est connue (moyenne m m0 ). ˆ 2 1 xi m0 2 , sans biais n Variance lorsque la moyenne n’est pas connue. ˆ 2 1 xi x 2 , biaisé. Dans ce cas, on utilise S 2 1 xi x 2 , sans biais. Cet estimateur prend n n 1 en compte le fait qu'il faut utiliser une estimation préalable de la moyenne pour estimer la variance. Il n'y a donc plus n données disponibles (ou degrés de liberté), mais n 1 . Remarque : S 2 n 2 , 2 étant la valeur observée de la variance. n 1 Centrer-réduire. Soit une variable aléatoire X qui suit la loi normale Ν m, 2 . La variable aléatoire Y une loi normale centrée-réduite Ν 0,1 . La somme de p lois Normales. N i , i2 deux à deux indépendantes est une loi Normale N Notons qu’on peut retrouver ce résultat en calculant X m suit , . i 2 i E X i , et. V X i . Loi de la moyenne. Si X 1 , X 2 , X n deux à deux indépendants suivent une loi N , 2 , alors X suit une loi Notons qu’on peut retrouver ce résultat en calculant E X , et V X . Loi de la moyenne si les deux paramètres sont inconnus. Cf loi de Student. 2 N , n . Normal Distribution 0,4 Mean,Std. dev. 2,1 density 0,3 0,2 0,1 0 -3 -1 1 3 5 7 x 6. Loi Normale centrée réduite 1 f x 2 E X 0 VX 1 e N 0,1 x2 2 Somme de carré de lois Normales centrées réduites (loi du Khi-deux). Soient X 1 , X 2 , X n deux à deux indépendantes qui suivent chacune une loi N 0,1 . Alors, n Y X 2 i suit une loi 2n . i 1 Normal Distribution 0,4 Mean,Std. dev. 0,1 density 0,3 0,2 0,1 0 -5 -3 -1 1 x 7. Loi Exponentielle x 1 e E X Var X 2 f X x Estimation. ̂ x exp 3 5 Loi Exponentielle et loi Gamma. La loi Exponentielle exp m est un cas particulier de la loi de paramètres a 1 , l 1 . m Exponential Distribution 0,1 Mean 10 density 0,08 0,06 0,04 0,02 0 0 10 20 30 40 50 60 x 8. Loi de Student E Z 0 Var Z T 2 Propriété. Soient deux variables aléatoires indépendantes: X qui suit N 0,1 , et Y qui suit 2 . La variable X Z aléatoire définie par Y suit une loi T (Student à degrés de liberté). Loi de la moyenne d’une loi normale dont les 2 paramètres sont inconnus. Si X suit N , 2 , de moyenne (théorique) X , alors X S n Tn 1 ( n étant la taille de l'échantillon, et S l’estimateur de la variance). Ceci n’est valable que lorsque n est petit ( n 30 en pratique). Si n est plus grand, la loi de Student tend vers une loi N 0,1 . Somme de variables Gaussiennes centrées. Soient X , X 1 , X 2 , , X n , n 1 variables aléatoires gaussiennes indépéndantes et centrées. T X X i2 n suit une loi Tn (Student à n degrés de liberté). Student's t Distribution 0,4 Deg. of freedom 10 density 0,3 0,2 0,1 0 -6 -4 -2 0 2 4 6 x 9. Loi de Bernouilli 0,1 La variable aléatoire X ne peut prendre que 2 valeurs, par exemple 0 et 1 (ou échec et succès), avec les probabilités p X 0 q et p X 1 p 1 q . E X p V X pq 10. Loi Discrète Pour la valeur x d’une variable aléatoire discrète X pouvant prendre les valeurs ordonnées x1 , x2 ,, xi , avec les probabilités p1 , p 2 ,, pi , , où p 1 i répartition par : F xi Pr X xi p k 1 k i 1, on notera la fonction de