Loi de Tukey-lambda

En théorie des probabilités et en statistique, la loi de Tukey-lambda est une loi de probabilité à support compact ou infini, en fonction de la valeur de son paramètre. Cette loi est à densité, cependant sa densité ne possède pas d'expression analytique. La loi est alors définie par ses quantiles.

Loi de Tukey-lambda



Paramètres	$\lambda \in \mathbb {R}$ paramètre de forme
Support	${\begin{cases}x\in [{\frac {-1}{\lambda }},{\frac {1}{\lambda }}]&{\text{ pour }}\lambda >0\\x\in \mathbb {R} &{\text{ pour }}\lambda <0\end{cases}}$
Densité de probabilité	donnée par les quantiles : $(Q(p;\lambda )\,,Q'(p;\lambda )^{-1}),\,0\leq \,p\,\leq \,1$
Fonction de répartition	$({\rm {e}}^{-x}+1)^{-1},{\text{ pour }}\lambda =0$
Espérance	$0{\text{ pour }}\lambda >-1$
Médiane	0
Mode	0
Variance	${\textstyle {\begin{cases}{\frac {2}{\lambda ^{2}}}\left({\frac {1}{1+2\lambda }}-{\frac {\Gamma (\lambda +1)^{2}}{\Gamma (2\lambda +2)}}\right)&{\text{ si }}\lambda >-1/2\\{\frac {\pi ^{2}}{3}}&{\text{ si }}\lambda =0\end{cases}}}$
Asymétrie	$0{\text{ pour }}\lambda >-1/3$
Kurtosis normalisé	${\textstyle {\frac {(2\lambda +1)^{2}}{2(4\lambda +1)}}{\frac {g_{2}^{2}\left(3g_{2}^{2}-4g_{1}g_{3}+g_{4}\right)}{g_{4}\left(g_{1}^{2}-g_{2}\right)^{2}}}-3,}$ où ${\textstyle g_{k}=\Gamma (k\lambda +1)}$ et ${\textstyle \lambda >-1/4}$ .
Entropie	$\int _{0}^{1}\log(Q'(p;\lambda ))\,{\rm {d}}p$ [1]
Fonction caractéristique	$\int _{0}^{1}\exp(\,{\rm {i}}t\,Q(p;\lambda ))\,{\rm {d}}p$ [2]

Différents paramétrages

La loi de Tukey-lambda est connue de façon implicite par la distribution de ses quantiles[3]:

G(p)\equiv F^{-1}(p)={\begin{cases}\left[p^{\lambda }-(1-p)^{\lambda }\right]/\lambda ,&{\mbox{si }}\lambda \neq 0\\\operatorname {logit} (p),&{\mbox{si }}\lambda =0\end{cases}}

avec la fonction logit.

Le paramètre $\lambda$ est un paramètre de forme, comme le résume le tableau suivant.

λ = −1	approximativement une loi de Cauchy
λ = 0	exactement une loi logistique
λ = 0,14	approximativement une loi normale
λ = 0,5	strictement concave
λ = 1	exactement une loi uniforme continue sur]–1 ; 1[

La densité et la fonction de répartition de cette loi doivent être approchées numériquement. Cette loi a par la suite été généralisée.

$G(p)=\lambda _{1}+{p^{\lambda _{3}}-(1-p)^{\lambda _{4}} \over \lambda _{2}}$

$G(p)=\lambda _{1}+{{{\frac {p^{\lambda _{3}}}{\lambda _{3}}}-{\frac {(1-p)^{\lambda _{4}}}{\lambda _{4}}}} \over \lambda _{2}}$

(en) Oldrich Vasicek, « A Test for Normality Based on Sample Entropy », Journal of the Royal Statistical Society, Series B (Methodological), vol. 38, n^o 1,‎ 1976, p. 54-59
(en) W. T. Shaw et J. McCabe, « Monte Carlo sampling given a Characteristic Function: Quantile Mechanics in Momentum Space », Eprint-arXiv:0903,1592,‎ 2009
(en) C. Hastings, F. Mosteller, J.W. Tukey et C.P. Winsor, « Low moments for small samples: a comparative study of order statistics », Ann. Math. Statist, vol. 18,‎ 1947, p. 413-426
(en) John S. Ramberg et Bruce W. Schmeiser, « An approximate method for generating symmetric random variables », Communications of the ACM, vol. 15, n^o 11,‎ 1972, p. 987-990
(en) M. Freimer, G.S. Mudholkar, G. Kollia et G.T. Lin, « A study of the generalized tukey lambda family », Communications in Statistics-Theory and Methods,‎ 1988

Cet article est issu de wikipedia. Text licence: CC BY-SA 4.0, Des conditions supplémentaires peuvent s’appliquer aux fichiers multimédias.