FORMULAIRE

LINGE1113

Analyse combinatoire
Multiplication #( A × B ) = (#A) × (#B)
n!
Permutation Pnr = = n × ( n − 1) × · · · × ( n − r + 1)
(n − r )!
n n−1 n−r+1
 
r n n!
Combinaison Cn = = = × ×···×
r r!(n − r )! r r−1 1

Probabilités
Une loi de probabilité P( · ) associe à tout événement A ⊂ S un scalaire P( A), la probabi-
lité de A, tel que :

(P1) P( A) > 0
(P2) P(S) = 1
(P3) P( i∈N Ai ) = ∑i∈N P( Ai )
S

si Ai ⊂ S, i ∈ N, et Ai ∩ A j = ∅ si i 6= j

Loi additive : P( A ∪ B) = P( A) + P( B) − P( A ∩ B)

Probabilités conditionnelles
Soient A et B deux événements et soit B1 , . . . , Bk une partition de S.

P( A ∩ B)
Probabilité conditionnelle P( A | B) =
P( B)
Loi de multiplication P( A ∩ B) = P( A | B) P( B)
Indépendance P( A ∩ B) = P( A) P( B)
Loi de la probabilité totale P( A) = ∑ik=1 P( A | Bi ) P( Bi )
P( A | Bj ) P( Bj )
Théorème de B AYES P( Bj | A) =
∑ik=1 P( A | Bi ) P( Bi )

1
Fonction de répartition
Définition F ( y ) = P (Y 6 y )

Caractérisation 0 6 F (y) 6 1
F (+∞) = 1
F (−∞) = 0
x 6 y =⇒ F ( x ) 6 F (y)
continue à droite

Usage P( a < Y 6 b) = F (b) − F ( a)

Densité
Définition f (y) = F 0 (y)

Caractérisation f (y) > 0

R +∞
−∞ f ( t ) dt = 1
Rb
Usage F (b) − F ( a) = a f (y) dy
R
P(Y ∈ A) = A f (y) dy

Moments 
∑y∈Y g(y) p(y) cas discret
Espérance E[ g(Y )] =
 R +∞
−∞ g(y) f (y) dy cas continu
Cas spéciaux
nom symbole formule
Moyenne µ = E (Y )

Variance σ2 = V (Y ) = E[(Y − µ)2 ] = E(Y 2 ) − µ2

p
Ecart-type σ = V (Y )

FGM m(t) = E(etY )

dk
ke moment µ0k = E (Y k ) = m(t)
dtk t =0

1
Tchebychev P(µ − kσ < Y < µ + kσ) > 1 − pour tout k > 0
k2

2
Distributions discrètes classiques

distribution paramètres résultats possibles Y P(Y = y) pour y ∈ Y

N−M
(M
y )( n−y )
Hypergéométrique ( N, M, n) {0, 1, . . . , min( M, n)}
( Nn )
Binomiale (n, p) {0, 1, . . . , n} (ny) py (1 − p)n−y

Bernoulli p {0, 1} p y (1 − p )1− y

y
Poisson λ {0, 1, 2, . . .} e−λ λy!
−1 r
Binomiale négative (r, p) {r, r + 1, r + 2, . . .} (yr− 1)
p (1 − p ) y −r

Géométrique p {1, 2, 3, . . .} (1 − p ) y −1 p

distribution moyenne variance FGM

M MN−MN−n
Hypergéométrique n n –
N N N N−1
Binomiale np np(1 − p) (1 − p + pet )n

Bernoulli p p (1 − p ) 1 − p + pet

Poisson λ λ exp{λ(et − 1)}

r r (1 − p ) pr ert
Binomiale négative
p p2 {1 − (1 − p ) e t }r
1 1− p pet
Géométrique
p p2 1 − (1 − p ) e t

exp( x ) = e x où e = exp(1) = 2.718 . . .

3
Distribution continues classiques

distribution paramètres Y = { y : f ( y ) > 0} f (y) pour y ∈ Y

1
Bêta (α, β) ]0, 1[ y α −1 (1 − y ) β −1
B(α, β)
1
Uniforme ( θ1 , θ2 ) ] θ1 , θ2 [
θ2 − θ1
1
Gamma (α, β) ]0, ∞[ yα−1 e−y/β
Γ(α) β α

1 −y/β
Exponentielle β ]0, ∞[ e
β
1
Khi-carré χ2 ν ]0, ∞[ yν/2−1 e−y/2
Γ(ν/2)2ν/2
( y − µ )2
 
1
Normale (µ, σ2 ) R √ exp −
σ 2π 2σ2

distribution moyenne variance FGM

α αβ
Bêta –
α+β (α + β )2 ( α + β + 1)
1 1 etθ2 − etθ1
Uniforme ( θ1 + θ2 ) ( θ2 − θ1 )2
2 12 t ( θ2 − θ1 )
Gamma αβ αβ2 (1 − βt)−α

Exponentielle β β2 (1 − βt)−1

Khi-carré χ2 ν 2ν (1 − 2t)−ν/2
 
1 2 2
Normale µ σ2 exp µt + 2 σ t

R∞
Fonction Gamma Γ(α) = 0 yα−1 e−y dy, α>0
R1 Γ(α)Γ( β)
Fonction Bêta B(α, β) = yα−1 (1 − y) β−1 dy = , α, β > 0
0 Γ(α + β)
1 2
Densité de N (0, 1) ϕ(z) = √ e−z /2
2π
Rz
Fonction de répartition Φ(z) = −∞ ϕ( x ) dx

4
Distributions bivariées

Distribution cas discret cas continu

bivariée p ( y1 , y2 ) f ( y1 , y2 )
R +∞
marginale p 1 ( y 1 ) = ∑ y2 p ( y 1 , y 2 ) f 1 ( y1 ) = y =−∞ f (y1 , y2 ) dy2
R +2 ∞
p 2 ( y 2 ) = ∑ y1 p ( y 1 , y 2 ) f 2 ( y2 ) = y1 =−∞ f ( y1 , y2 ) dy1
p(y1 ,y2 ) f (y ,y )
conditionnelle p 1|2 ( y 1 | y 2 ) = p2 ( y2 )
f 1|2 ( y 1 | y2 ) = f (1y 2)
2 2

p(y1 ,y2 ) f (y1 ,y2 )

p 2|1 ( y 2 | y 1 ) = p1 ( y1 )
f 2|1 ( y 2 | y 1 ) = f 1 ( y1 )

Espérance
∑ y1 ∑ y2 g ( y 1 , y 2 ) p ( y 1 , y 2 )
(
Définition E[ g(Y1 , Y2 )] = R +∞ R +∞
−∞ −∞ g ( y1 , y2 ) f ( y1 , y2 ) dy1 dy2

Linéarité E[∑ik=1 ci gi (Y1 , Y2 )] = ∑ik=1 ci E[ gi (Y1 , Y2 )]

Indépendance E[ g1 (Y1 ) g2 (Y2 )] = E[ g1 (Y1 )] E[ g2 (Y2 )]

Espérance conditionnelle
∑ y1 g ( y 1 ) p 1|2 ( y 1 | y 2 )
(
Définition E[ g(Y1 ) | Y2 = y2 ] = R +∞
−∞ g ( y1 ) f 1|2 ( y1 | y2 ) dy1
Espérance totale E[ E[ g(Y1 ) | Y2 ]] = E[ g(Y1 )]

Dépendance linéaire
Covariance Cov(Y1 , Y2 ) = E[(Y1 − µ1 )(Y2 − µ2 )] = E(Y1 Y2 ) − µ1 µ2
Cov(Y1 , Y2 )
Corrélation ρ =
σ1 σ2
Combinaison linéaire V ( a1 Y1 + a2 Y2 ) = a21 V (Y1 ) + 2a1 a2 Cov(Y1 , Y2 ) + a22 V (Y2 )

5
Transformations de variables aléatoires
Trouver la distribution de U = h(Y ) ou de U = h(Y1 , Y2 ).

Méthode de fonction de répartition :

R
 y:h(y)6u f (y) dy
 cas univarié
FU (u) = RR
(y ,y ):h(y ,y )6u f ( y1 , y2 ) dy1 dy2 cas bivarié


1 2 1 2

d
f U (u) = FU (u)
du

Méthode de transformation : si U = h(Y ) et h : Y → R est monotone,

d −1
f U (u) = f (h−1 (u)) h (u)
du

Méthode de FGM : si Y1 , . . . , Yn sont indépendantes,

mY1 +···+Yn (t) = mY1 (t) × · · · × mYn (t)

Relations utiles :
Z ∼ N (0, 1) =⇒ Z2 ∼ χ2 (1)
Yi ∼ Bin(ni , p) indépendantes =⇒ ∑i Yi ∼ Bin(∑i ni , p)
Yi ∼ Poi(λi ) indépendantes =⇒ ∑i Yi ∼ Poi(∑i λi )
Yi ∼ Gam(αi , β) indépendantes =⇒ ∑i Yi ∼ Gam(∑i αi , β)
Yi ∼ χ2 (νi ) indépendantes =⇒ ∑i Yi ∼ χ2 (∑i νi )
Yi ∼ N (µi , σi2 ) indépendantes =⇒ ∑i ai Yi ∼ N (∑i ai µi , ∑i a2i σi2 )

6
Distributions d’échantillonnage et théorème central limite

Soient Y1 , . . . , Yn i.i.d. avec E(Yi ) = µ et V (Yi ) = σ2 .

Moyenne empirique
1 n
n i∑
Définition Ȳn = Yi
=1
Moyenne E(Ȳn ) = µ
σ2
Variance V (Ȳn ) =
n
σ2
 
Distribution Ȳn ∼ N µ, si Y1 , . . . , Yn i.i.d. N (µ, σ2 )
n

Variance empirique
n
1
n − 1 i∑
Définition S2 = (Yi − Ȳ )2
=1
Moyenne E ( S2 ) = σ2
( n − 1) S2
Distribution ∼ χ2 (n − 1) si Y1 , . . . , Yn i.i.d. N (µ, σ2 )
σ2
Théorème central limite
√ Ȳ − µ Z x
 
1 2 /2
lim P n 6x = Φ( x ) = √ e−u du
n→∞ σ 2π −∞

Approximation de la binomiale par la normale : pour n grand,

Y ∼ Bin(n, p) ≈ N (np, np(1 − p))

Correction de continuité : si Y ∼ Bin(n, p) et pour n grand,

y + 0.5 − np
 
P (Y 6 y ) ≈ Φ p
np(1 − p)

7
 R∞
Table de z ϕ( x ) dx = 1 − Φ(z) = P( Z > z) où Z ∼ N (0, 1)

φ(y)
1 − Φ(z)
0 z
y

Deuxième place décimale de z

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121

0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611

1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681

1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233

2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064

2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014