L.E.G.T.A. Le Chesnoy TB2−2010-2011
D. Blotti`ere Math´ematiques
Chapitre XX
Th´ eor` emes limites en probabilit´ es
Table des mati` eres
1 Approximation d’une loi hyperg´eom´etrique par une loi binomiale 1 2 Approximation d’une loi binomiale par une loi de Poisson 2
3 In´egalit´e de Bienaym´e-Tchebychev 4
4 La loi faible des grands nombres −Cas particulier 5
5 La loi faible des grands nombres −Cas g´en´eral 6
6 Le th´eor`eme de la limite centr´ee 9
7 Deux exercices 13
1 Approximation d’une loi hyperg´ eom´ etrique par une loi binomiale
Heuristique : On consid`ere une urne qui contient a boules blanches etb boules noires. On note N =a+b le nombre total de boules etp= a
N la proportion de boules blanches etq= b
N celle de boules noires. On tire successivementsans remise nboules de l’urne (n∈N∗) et on noteX la variable al´eatoire ´egale au nombre de boules blanches tir´ees. On reconnaˆıt alors une situation de loi usuelle :Xsuit la loi hyperg´eom´etriqueH(N, n, p).
On a donc, pour toutk∈J0, nK:
P(X=k) = CN pk CN qn−k CNn .
Si on suppose maintenant que le nombreN total de boules est tr`es grand devant le nombre nde boules tir´ees, alors on peut consid´erer que la proportion de boules blanches dans l’urne est quasiment inchang´ee apr`es le tirage d’une desnboules.
Si l’on effectue l’approximation consistant `a supposer que la proportion de boules blanches ne change pas au cours des diff´erents tirages (elle est donc constamment ´egale `a p), on peut aussi bien consid´erer que les tirages sont faitsavec remise. Mais si l’on consid`ere que le tirage estavec remise, alors on reconnaˆıt une autre situation de loi usuelle : la loiB(n, p). On a donc, pour toutk∈J0, nK:
P(X=k)≈Cnkpkqn−k.
Cette pr´esentation heuristique et quelque peu impr´ecise (e.g. le sens de ≈ n’est pas clair) d´ebouche sur un r´esultat math´ematique qui s’´enonce de fa¸con rigoureuse comme suit.
Th´eor`eme 1 : Soient a, b ∈ N∗ et soit n ∈ N∗. On pose N = a+b, p= a
N et q = 1−p. Pour toute suite (Xm)m∈N∗ de variables al´eatoires telle que :
∀m∈N∗ Xm∼ H(mN, n, p)
on a :
m→+∞lim P(Xm=k) =Cnk pkqn−k
pour tout k ∈ J0, nK. On dit que la suite de variables al´eatoires (Xm)m∈N∗ converge en loi vers une variable al´eatoire qui suit la loiB(n, p).
Remarque :Le premier param`etre de la loi hyperg´eom´etrique de Xmtend vers +∞quandmtend vers +∞, alors quenreste fixe. Ceci est `a rapprocher de l’expression le nombreN total de boules est tr`es grand devant le nombrende boules tir´ees utilis´ee dans l’heuristique.
Une condition pratique d’approximation : Soient N, n ∈ N et soit p∈ [0,1] tel que N p ∈ N. On pose q= 1−p. SoitX une variable al´eatoire qui suit la loiH(N, n, p). On admet que si
N >10n alors l’approximation
P(X=k)≈Cnkpkqn−k
est satisfaisante, pour toutk∈J0, nK. La conditionN >10nquantifie l’id´ee suivante :N est tr`es grand devant n, introduite dans l’heuristique.
Exemple : Un ´etang contient deux esp`eces de poissons : des carpes et des brochets. On compte a = 200 brochets etb= 800 carpes dans l’´etang. On pˆeche 4 poissons et on noteX la variable al´eatoire ´egale au nombre de brochets obtenus.
On reconnaˆıt une situation de loi usuelle :X ∼ H(N, n, p) avecN =a+b= 1000,n= 4 etp= a N = 1
5. On s’int´eresse `a la probabilit´eP(X ≥1), i.e. `a la probabilit´e de pˆecher au moins un brochet. Notons que l’on a P(X≥1) = 1−P(X = 0).
• Calcul exact On a
P(X = 0) =C2000 C8004 C10004 =
1×800×799×798×797 4!
1000×999×998×997 4!
= 800×799×798×797 1000×999×998×997 et donc :
P(X ≥1) = 1− 800×799×798×797
1000×999×998×997 '0,5910155545.
• Calcul approch´e `a l’aide de l’approximation de la loi deX par une loi binomiale (la loiB(n, p)) On calcule n
N = 4 1000 = 1
250 < 1
10. La condition d’approximation de la loi deX par la loiB(n, p) donn´ee ci-dessus est donc satisfaite.
On a donc :
P(X ≥1) = 1−P(X = 0)≈1−C40 1
5 04
5 4
= 1− 4
5 4
= 0,5904.
2 Approximation d’une loi binomiale par une loi de Poisson
Th´eor`eme 2 : Soitλ > 0, soitN ∈N∗ et soit (pn)n∈N∗ une suite d’´el´ements de ]0,1[ telle que npn →
n→+∞λ (e.g. la suite (pn)n∈N∗ d´efinie parpn= λ
n pour toutn∈N∗). Pour toute suite (Xn)n∈N∗ de variables al´eatoires telle que :
∀n∈N∗ Xn∼ B(n, pn) on a :
n→+∞lim P(Xn=k) =e−λ λk k!
pour toutk∈N. On dit que la suite de variables al´eatoires (Xn)n∈N∗ converge en loi vers une variable al´eatoire qui suit la loiP(λ).
Preuve :Soitk∈Net soitn∈N∗ tel quek≤n.
P(Xn=k) =Cnk pkn (1−pn)n−k = n(n−1)(n−2). . .(n−k+ 1)
k! pkn(1−pn)n−k
= n(n−1)(n−2). . .(n−k+ 1) k!
nk
nk pkn(1−pn)n−k
= 1
k!
n(n−1)(n−2). . .(n−k+ 1)
nk (npn)k (1−pn)n−k. On a donc :
P(Xn=k) = 1 k!
n(n−1)(n−2). . .(n−k+ 1)
nk (npn)k(1−pn)n−k. (1)
On a :
ktermes
z }| { n(n−1)(n−2). . .(n−k+ 1)
nk =n
n×n−1
n ×n−2
n ×. . .×n−k+ 1 n et donc
n→+∞lim
n(n−1)(n−2). . .(n−k+ 1)
nk = 1. (2)
Comme la fonctionx7→xk est continue surR(en particulier enλ) et comme lim
n→+∞npn=λ, on a :
n→+∞lim (npn)k =λk. (3)
Passons `a l’´etude du comportement asymptotique de la suite ((1−pn)n−k)n∈N∗. On remarque tout d’abord que :
∀n∈N∗ (1−pn)n−k =e(n−k) ln(1−pn). (4)
Ensuite, depn = 1
n×npn pour toutn∈N∗ et de lim
n→+∞npn=λ, on d´eduit que la suite (pn)n∈N∗ converge et que :
n→+∞lim pn= 0. (5)
Comme lim
n→+∞pn = 0 et ln(1 +x) ∼
x→0x, on a :
ln(1−pn) ∼
n→+∞−pn
et par suite :
(n−k) ln(1−pn) ∼
n→+∞−(n−k)pn=−npn+kpn. (6)
De lim
n→+∞npn =λet de (5), on d´eduit que :
n→+∞lim −npn+kpn=−λ. (7)
De (6) et (7), on tire alors :
n→+∞lim (n−k) ln(1−pn) =−λ. (8)
La fonction exponentielle ´etant continue surR(en particulier en−λ) on a alors :
n→+∞lim e(n−k) ln(1−pn)
| {z }
=(1−pn)n−k(cf. (4))
=e−λ. (9)
Enfin, en rassemblant les r´esultats (1), (2), (3) et (9), on obtient : P(Xn=k) →
n→+∞
1
k!×1×λk×e−λ=e−λ λk k!.
Q.E.D.
Une condition pratique d’approximation : Soient n∈N∗ et soitp∈[0,1]. On pose λ=np. Soit X une variable al´eatoire qui suit la loiB(n, p). On admet que si
n≥30 ; p≤0,1 ; λ=np≤10 alors l’approximation
P(X =k)≈e−λ λk k!
est satisfaisante, pour toutk∈J0, nK. Les conditionsn≥30,p≤0,1,np≤10 quantifient les id´ees suivantes :
nest grand,pest petit etnp n’est pas trop grand.
Exemple :Une boˆıte contient 1000 jetons dont 10 sont blancs et tous les autres noirs. On effectue 500 tirages au hasard avec remise et on noteX la variable al´eatoire ´egale au nombre de jetons blancs tir´es.
On reconnaˆıt alors une situation de loi usuelle :X suit la loi binomialeB(n, p), avecn= 500 etp= 10
1000 = 0,01.
On s’int´eresse `a la probabilit´e deP(X = 0), i.e. `a la probabilit´e de ne tirer aucun jeton blanc.
• Calcul exact On a
P(X = 0) =C5000 0,0100,99500= 0,99500'0,00657048.
• Calcul approch´e `a l’aide de l’approximation de la loi deX par une loi de Poisson (la loiP(λ) avecλ=np) On a n= 500≥30,p= 0,01<0,1 etλ=np= 5≤10. La condition d’approximation de la loi deX par la loi P(λ) donn´ee ci-dessus est donc satisfaite.
On a donc :
P(X= 0)≈e−550
0! =e−5'0,00673794.
3 In´ egalit´ e de Bienaym´ e-Tchebychev
Heuristique : Soit X une variable al´eatoire admettant une variance (et donc une esp´erance). L’in´egalit´e de Bienaym´e-Tchebychev (qui n’est pas, `a proprement parler, un th´eor`eme limite) permet de donner un sens quantitatif `a la remarque suivante.
Plus l’´ecart-type (ou la variance) est faible, plus la distribution de probabilit´es est concentr´ee autour de l’esp´erance math´ematique.
Th´eor`eme 3 (in´egalit´e de Bienaym´e-Tchebychev)
∀ε >0 P(|X−E(X)| ≥ε)≤ V(X) ε2 .
Exemple :On jette un d´e cubique ´equilibr´e dont 5 faces sont blanches et une face rouge. On jette le d´e jusqu’`a l’obtention de la face rouge et on noteX la variable al´eatoire ´egale au nombre de lancers effectu´es.
On reconnaˆıt un sch´ema de Bernoulli que l’on r´ep`ete de fa¸cons ind´ependantes jusqu’`a l’obtention d’un succ`es.
Un succ`es dans le sch´ema de Bernoulli correspond `a l’obtention de la face rouge lors d’un lancer et la probabilit´e de succ`es est 1
6.X suit donc une loi g´eom´etrique de param`etrep= 1 6.
Par cons´equent X admet une variance (et donc une esp´erance) et on a : E(X) =1
p = 6 et V(X) = q p2 = 30.
On s’int´eresse `a l’´ev´enement s’´ecarter au moins de 10 de la valeur moyenne, i.e. `a l’´ev´enement [|X−6| ≥10].
Notons que :
[|X−6| ≥10] = [X−6≥10]∪[X−6≤ −10] (∀x∈R ∀A∈R+ |x| ≥A⇐⇒(x≥Aoux≤ −A))
= [X ≥16]∪ [X≤ −4]
| {z }
∅carX(Ω)=N∗
= [X ≥16].
Donc l’´ev´enement [|X−6| ≥ 10] s’´ecrit aussi effectuer au moins 16 lancers avant d’avoir la face rouge. D’apr`es l’in´egalit´e de Bienaym´e-Tchebychev (appliqu´ee avecε= 10) on a la majoration suivante :
P(effectuer au moins 16 lancers avant d’avoir la face rouge) =P(|X−6| ≥10)≤ 30
100 = 0,3.
4 La loi faible des grands nombres − Cas particulier
Heuristique : On dispose d’une pi`ece ´equilibr´ee. On la lancen fois (n∈N∗) et pour touti∈J1, nK, on note Xi la variable al´eatoire ´egale `a 1 si l’on a obtenu PILE aui-`eme lancer et ´egale `a 0 sinon.
La variable al´eatoireSn=
n
X
i=1
Xi=X1+X2+. . .+Xnest ´egale au nombre de PILE obtenus lors desnlancers.
La variable al´eatoire
Xn= 1 n Sn=
n
X
i=1
Xi
n = X1+X2+. . .+Xn
n
donne la fr´equence d’apparition de PILE lors desnlancers.
En effectuant des simulations `a l’aide d’un ordinateur, on peut constater que, pour n grand, les valeurs prises parXn sont voisines de1
2, mais que de l´eg`eres fluctuations apparaissent. Aussi est-il assez tentant de dire que(Xn) converge vers 1
2. Pour donner un sens pr´ecis `a cette intuition, il convient tout d’abord de pr´eciser ce que signifie converger pour une suite de variables al´eatoires.
Une d´efinition possible de convergence est la suivante. On dit que (Xn)converge en probabilit´e vers 1
2 si pour toutε >0 on a :
(∗) P
Xn−1 2
≥ε
n→+∞→ 0.
On d´emontrera cette convergence en probabilit´e (r´esultat appel´e loi faible des grands nombres) dans la partie suivante, dans une plus grande g´en´eralit´e.
Soitε >0. Comme l’´ev´enement contraire de
Xn−1 2
≥ε
est
Xn−1 2
≥ε
=
Xn−1 2
< ε
= 1
2 −ε < Xn< 1 2+ε
l’assertion (∗) est ´equivalente `a
P 1
2−ε≤Xn≤1 2 +ε
n→+∞→ 1.
On a donc en particulier pourε= 10−6 (par exemple) :
P 0,499999≤Xn≤0,500001
n→+∞→ 1.
Remarque :Il faut bien comprendre ce que signifie la convergence en probabilit´e deXnvers 1
2 : il est toujours possiblequ’un ´ecartεsoit d´epass´e pour de tr`es grandes valeurs den, mais c’est de plus en plus improbable.
5 La loi faible des grands nombres − Cas g´ en´ eral
Contexte :Dans toute cette partie, on consid`ere une suite de variables al´eatoiresX1, X2, X3, . . . , Xn, . . .deux
`
a deux ind´ependantes et de mˆeme loi. Pour tout n∈N∗, on introduit deux nouvelles variables al´eatoires : Sn=
n
X
i=1
Xi =X1+X2+. . .+Xn et Xn= 1
n Sn= 1 n
n
X
i=1
Xi=X1+X2+. . .+Xn
n .
On suppose queX1 admet une variance (et donc une esp´erance). On pose µ=E(X1) ; σ=σ(X1) (´ecart type deX1).
On a donc V(X1) =σ2. Comme les variables al´eatoires X1, X2, X3, . . . , Xn, . . . ont la mˆeme loi, les variables X2, X3, . . . , Xn, . . .poss`edent elles aussi une variance (et donc une esp´erance) et on a
∀i∈N≥2 E(Xi) =µ; σ(Xi) =σ; V(Xi) =σ2. (10)
Lemme 4 (esp´erances de Sn et deXn) :On a :
E(Sn) =n µ et E(Xn) =µ.
Preuve :Soitn∈N∗. On a :
E(Sn) = E(X1+X2+. . .+Xn)
= E(X1) +E(X2) +. . .+E(Xn) (lin´earit´e de l’esp´erance)
= µ+µ+. . .+µ
| {z }
ntermes
(cf. (10))
= n µ d’o`u
E(Xn) = E 1
n Sn
= 1
n E(Sn) (cf. formuleE(aX+b) =aE(X) +b)
= 1
n n µ (carE(Sn) =µ)
= µ.
Q.E.D.
Lemme 5 (variances de Sn et deXn) :On a :
V(Sn) =n σ2 et V(Xn) = σ2
n (doncσ(Xn) = σ
√n).
Preuve :Soitn∈N∗. On a :
V(Sn) = V(X1+X2+. . .+Xn)
= V(X1) +V(X2) +. . .+V(Xn) (X1, X2, . . . , Xn sont deux `a deux ind´ependantes)
= σ2+σ2+. . .+σ2
| {z }
ntermes
(cf. (10))
= n σ2
d’o`u
V(Xn) = V 1
n Sn
= 1
n2 V(Sn) (cf. formuleV(aX+b) =a2V(X))
= 1
n2 n σ2 (carV(Sn) =nσ2)
= σ2 n.
Q.E.D.
Th´eor`eme 6 (loi faible des grands nombres) :Dans le contexte pr´ec´edent, i.e. si X1, X2, X3, . . . , Xn, . . . est une suite de variables al´eatoires deux `a deux ind´ependantes, de mˆeme loi, admettant une variance (et donc une esp´erance), alors on a pour toutε >0 :
P
Xn−µ ≥ε
n→+∞→ 0
o`uµd´esigne l’esp´erance commune des variables al´eatoiresX1, X2, X3, . . . , Xn, . . .et o`uXn=X1+X2+. . .+Xn
n pour toutn∈N∗. On dit que la suite de variables al´eatoires (Xn)n∈N∗ converge en probabilit´e versµ.
Preuve : Soit ε > 0. Soit n ∈ N∗. On applique l’in´egalit´e de Bienaym´e-Tchebychev `a la variable Xn pour obtenir :
P
Xn−E(Xn) ≥ε
≤V(Xn)
ε2 . (11)
A l’aide des deux lemmes pr´` ec´edents, l’in´egalit´e (11) se r´e´ecrit : P
Xn−µ) ≥ε
≤ σ2 n ε2.
De cette in´egalit´e et du fait qu’une probabilit´e est positive ou nulle, on d´eduit : 0≤P
Xn−µ) ≥ε
≤ σ2 n ε2.
De cette derni`ere in´egalit´e, du fait que lim
n→+∞
1
n = 0 et du th´eor`eme d’encadrement, on d´eduit que : P
Xn−µ ≥ε
n→+∞→ 0.
Q.E.D.
Remarque : Dans le cas o`u toutes les variables al´eatoiresXi (i∈ N∗) suivent la loi B 1
2
, la loi faible des grands nombres donne le r´esultat (∗) ´enonc´e dans la partie 4.
Corollaire 7 (application de la loi faible des grands nombres `a la loi binomiale) :Soit p∈]0,1[ et soit (Yn)n∈N∗ une suite de variables al´eatoires telle que :
∀n∈N∗ Yn∼ B(n, p).
On a pour toutε >0 :
P
1 nYn−p
≥ε
n→+∞→ 0.
Preuve : On introduit une suite de variables al´eatoires X1, X2, X3, . . . , Xn, . . . mutuellement ind´ependantes, qui suivent toutes la loiB(p).
Soit n ∈ N∗. On pose Sn = X1+X2+. . .+Xn. Comme les variables al´eatoires X1, X2, X3, . . . , Xn sont
mutuellement ind´ependantes, on sait queSn ∼ B(n, p) (cf. cours sur les couples de variables al´eatoires discr`etes).
La variable al´eatoireSn ayant mˆeme loi queYn, on a :
∀ε >0 P
1 nYn−p
≥ε
=P
1 nSn−p
≥ε
. (12)
Soitε >0. On rappelle que l’esp´erance d’une variable al´eatoire suivant la loiB(p) estp. La loi faible des grands nombres, appliqu´ee `a la suite de variables al´eatoiresX1, X2, X3, . . . , Xn, . . .donne :
P
1 nSn−p
≥ε
=P
Xn−µ ≥ε
n→+∞→ 0. (13)
De (12) et (13), on d´eduit alors que : P
1 nYn−p
≥ε
n→+∞→ 0.
Q.E.D.
Application de la loi faible des grands nombres (un premier pas vers les statistiques)1
On s’int´eresse au nombre de v´ehicules se pr´esentant `a un poste de p´eage donn´e entre 18h et 22h le dimanche.
On a effectu´e un comptage durantnsemaines cons´ecutives. Le nombre obtenu pour lei-`eme dimanche est not´e xi (i∈J1, nK). On souhaite faire des pr´evisions `a partir de cesndonn´ees :
x1, x2, . . . , xn.
On introduit pour cela la variable al´eatoire X ´egale au nombre de v´ehicules passant au poste de p´eage entre 18h et 22h le dimanche. Comme il s’agit de compter un flux pendant un temps donn´e, on peut supposer queX suit une loi de Poisson. On suppose donc qu’il existeλ >0 tel queX ∼ P(λ).
On explique maintenant comment estimerλ`a l’aide des nombresx1, x2, . . . , xn.CommeX ∼ P(λ), on a l’iden- tit´eE(X) =λ. Le param`etreλcherch´e est donc ´egal `a l’esp´erance deX.
On introduitnvariables al´eatoiresX1, X2, . . . , Xn deux `a deux ind´ependantes, de mˆeme loi queX, i.e. suivant toutes la loi de Poisson de param`etreλ. D’apr`es la loi faible des grands nombres, on sait que la probabilit´e que
Xn =X1+X2+. . .+Xn
n
soit proche de λ(l’esp´erance commune des variables al´eatoires X1, X2, . . . , Xn) est forte (i.e. voisine de 1), sinest tr`es grand. En consid´erant que (x1, x2, . . . , xn) est une valeur possible dun-uplet de variables al´eatoires (X1, X2, . . . , Xn) (i.e. qu’il existeω∈Ω tel quexi=Xi(ω) pour touti∈J1, nK), alors on obtient que
x1+x2+. . .+xn
n
est tr`es probablement voisin deλ, sin est tr`es grand2. Dans la suite, on note λemp (valeur empirique de λ) le nombre
λemp= x1+x2+. . .+xn
n .
L’´etude pr´ecedente met en exergue un lien, assez intuitif, entre la moyenne empirique λemp et l’esp´erance math´ematique deX, aussi appel´ee parfois valeur moyenne deX.
On peut, par exemple, utiliser ce qui pr´ec`ede pour estimer la probabilit´e qu’il y ait moins de 5 voitures qui se pr´esentent au p´eage consid´er´e entre 18h et 22h le dimanche `a venir :
P(X ≤5) =e−λ
5
X
k=0
λk
k! 'e−λemp
5
X
k=0
λkemp
k! =e−λemp 1 +λemp+λ2emp
2 +λ3emp
6 +λ4emp
24 +λ5emp 120
! .
1. Cette application peut ˆetre omise lors de la premi`ere lecture.
2. On pourrait appliquer l’in´egalit´e de Bienaym´e-Tchebychev pour donner un sens pr´ecis `a cette expression.
6 Le th´ eor` eme de la limite centr´ ee
Heuristique : On consid`ere une suite de variables al´eatoires X1, X2, X3, . . . , Xn, . . . mutuellement (et donc deux `a deux) ind´ependantes et de mˆeme loi. Pour toutn∈N∗, on introduit la variable al´eatoireSn d´efinie par :
Sn=
n
X
i=1
Xi=X1+X2+. . .+Xn.
On se propose ici d’´etudier le comportement asymptotique de la suite de variables al´eatoires (Sn)n∈N∗. Commen¸cons par ´etudier les esp´erances et les variances des variables al´eatoiresSn (n∈N∗).
On suppose queX1 admet une variance (et donc une esp´erance). On pose µ=E(X1) ; σ=σ(X1) (´ecart type deX1).
On a donc V(X1) =σ2. Comme les variables al´eatoires X1, X2, X3, . . . , Xn, . . . ont la mˆeme loi, les variables X2, X3, . . . , Xn, . . .poss`edent elles aussi une variance (et donc une esp´erance) et on a
∀i∈N≥2 E(Xi) =µ; σ(Xi) =σ; V(Xi) =σ2. (14)
Ce contexte est voisin de celui envisag´e dans la partie 5. La diff´erence r´eside dans l’hypoth`ese d’ind´ependance, plus forte ici. Les lemmes 4 et 5 donnent :
∀n∈N∗ E(Sn) =n µ; V(Sn) =n σ2.
On remarque que siµest non nul, alors la suite num´erique (E(Sn))n∈N∗diverge vers un infini et que siσest non nul, ce que l’on supposera d´esormais, alors la suite num´erique (V(Sn))n∈N∗diverge vers +∞. Ces deux faits nous incitent `a penser qu’il y a plutˆotdivergence queconvergence de la suite de variables al´eatoires (Sn)n∈N∗. Pour parer `a cela, on va appliquer une transformation affine `a chacune des variables al´eatoiresSn (n∈N∗) de fa¸con `a ce que leur esp´erance soit nulle (on dira qu’elles sont centr´ees) et `a ce que leur variance soit ´egale `a 1 (on dira qu’elles sont r´eduites). Pour toutn∈N∗, on pose :
Sn∗ =Sn−n µ
√n σ .
En utilisant les r´esultats pr´ec´edents sur la variance et l’esp´erance deSn (n∈N∗) et les formulesE(aX+b) = aE(X) +b etV(aX+b) =a2V(X) on v´erifie que :
∀n∈N∗ E(Sn∗) = 0 ; V(S∗n) = 1.
On s’int´eresse donc plutˆot `a pr´esent au comportement asymptotique de la suite de variables al´eatoires (Sn∗)n∈N∗ qu’`a celui de la suite de variables al´eatoires (Sn)n∈N∗.
Pour comprendre ce qui se passe consid´erons un cas particulier : celui o`u les Xn suivent la loi de Bernoulli de param`etre 1
2. On peut se repr´esenter la suiteX1, X2, . . . , Xn, . . .comme la suite des r´esultats d’un jeu de PILE ou FACE r´ep´et´e ind´efiniment avec une pi`ece ´equilibr´ee. Pour visualiserle comportement asymptotique de la suite de variables al´eatoiresS1∗, S2∗, . . . , S∗n, . . .on peut repr´esenter les lois de celles-ci `a l’aide de diagrammes en barres.
La vid´eo de la partie Le th´eor`eme centralde la page web, r´ealis´ee par Jean-Pierre Kahane (professeur `a l’Uni- versit´e Paris Sud et membre de l’Acad´emie des Sciences), d’adresse
http://images.math.cnrs.fr/La-courbe-verte-en-cloche.html
nous montre une courbe, celle de la densit´e de la loi normale centr´ee r´eduiteN(0,1), i.e. de la fonction ϕ:t7→ 1
√2π e−t
2 2
et l’´evolution du diagramme en barres de la loi deSn∗ pournvariant de 1 `a 32.
Il semble, d’apr`es cette vid´eo, que la somme des aires des barres repr´esentant la loi deSn∗ tende vers l’aire sous la courbe repr´esentant la fonctionϕquandntend vers +∞. On peut en fait observer ce ph´enom`ene au-dessus
de chaque intervalle I d’extr´emit´esa, b∈ R: la somme des aires des barres dont la base est contenue dans I tend vers l’aire sous la courbe repr´esentant la fonctionϕau dessus deI quandntend vers +∞.
Autrement dit, on peut conjecturer que :
∀a, b∈Rtels quea < b P(a≤Sn∗≤b) →
n→+∞
Z b a
ϕ(t)dt= 1
√2π Z b
a
e−t
2
2 dt (15)
en s’appuyant sur l’interpr´etation g´eom´etrique de l’int´egrale. Cette conjecture peut ˆetre reformul´ee de plusieurs mani`eres. On en expose deux ci-dessous.
• SoitY une variable al´eatoire de loiN(0,1). Alors (15) se reformule comme suit :
∀a, b∈Rtels quea < b P(a≤Sn∗≤b) →
n→+∞P(a≤Y ≤b) (16)
• Soit Φ la fonction de r´epartition deY, i.e. la fonction Φ :R→R; x7→ 1
√ 2π
Z x
−∞
e−t
2 2 dt.
Bien que l’on ne sache pas calculer explicitement les valeurs de cette fonction, on dispose d’une table de valeurs (approch´ees) de Φ (cf. page 3 de la feuille d’exercices n˚19). Alors (15) de r´e´ecrit
∀a, b∈Rtels quea < b P(a≤Sn∗≤b) →
n→+∞Φ(b)−Φ(a) (17)
en appliquant la relation de Chasles pour les int´egrales g´en´eralis´ees.
Les conjectures (15), (16) et (17) sont vraies et sont non seulement valables pour l’exemple consid´er´e ici (le nombre de PILE obtenus dans un jeu de PILE ou FACE ind´efiniment r´ep´et´e, avec une pi`ece ´equilibr´ee), mais aussi dans une grande g´en´eralit´e. C’est le contenu du th´eor`eme suivant.
Th´eor`eme 8 (de la limite centr´ee) :Soit (Xn)n∈N∗une suite de variables al´eatoires mutuellement ind´ependantes et de mˆeme loi. On suppose que ces variables poss`edent une variance (donc une esp´erance). On note µ leur esp´erance commune etσleur ´ecart-type commun, suppos´e non nul. Pour toutn∈N∗, on introduit la variable al´eatoireSn d´efinie par :
Sn=
n
X
i=1
Xi =X1+X2+. . .+Xn et la variable centr´ee3r´eduite4associ´ee :
Sn∗ =Sn−n µ
√n σ .
On note Φ la fonction de r´epartition d’une variable al´eatoire suivant la loi normale centr´ee r´eduite, i.e. la fonction Φ d´efinie par :
Φ :R→R; x7→ 1
√2π Z x
−∞
e−t
2 2 dt.
Alors pour toutx∈R, on a :
FSn∗(x) =P(Sn∗ ≤x) →
n→+∞Φ(x).
On dit que la suite de variables al´eatoires (Sn∗)n∈N∗ converge en loi vers la loiN(0,1).
Corollaire 9 :On conserve les notations et les hypoth`eses de l’´enonc´e du th´eor`eme de la limite centr´ee. Soient a, b∈Rtels quea < b.
1. P(Sn∗≤b) →
n→+∞Φ(b) 2. P(Sn∗< b) →
n→+∞Φ(b)
3. i.e. d’esp´erance nulle 4. i.e. de variance 1
3. P(a≤Sn∗) →
n→+∞1−Φ(a) 4. P(a < Sn∗) →
n→+∞1−Φ(a) 5. P(a≤Sn∗≤b) →
n→+∞Φ(b)−Φ(a) 6. P(a < Sn∗≤b) →
n→+∞Φ(b)−Φ(a) 7. P(a≤Sn∗< b) →
n→+∞Φ(b)−Φ(a) 8. P(a < Sn∗< b) →
n→+∞Φ(b)−Φ(a)
El´´ ements de preuve : La propri´et´e 1 est une simple reformulation du th´eor`eme de la limite centr´ee. La propri´et´e 4 se d´eduit de 1. par passage au compl´ementaire. La propri´et´e 6 se d´eduit de 1. et du fait que :
]− ∞, b] =]− ∞, a] ∪
disjointe
]a, b].
Les autres propri´et´es sont admises.
Remarque :Soita >0. Comme Φ(−a) = 1−Φ(a) (cf. exercice 264 de la feuille d’exercices n˚9), on a P(−a≤Sn∗≤a) →
n→+∞Φ(a)−Φ(−a) = 2Φ(a)−1.
Corollaire 10 (application du th´eor`eme de la limite centr´ee `a la loi binomiale) : Soient p∈]0,1[ et q= 1−p. Soit (Yn)n∈N∗ une suite de variables al´eatoires telle que :
∀n∈N∗ Yn∼ B(n, p).
On pose pour toutn∈N∗ :
Tn= Yn−n p
√n p q . Alors pour toutx∈R, on a :
FTn(x) =P(Tn≤x) →
n→+∞Φ(x)
et les propri´et´es du corollaire 9 obtenues en rempla¸cant partout Sn∗ parTn restent vraies. On dit que la suite de variables al´eatoires (Tn)n∈N∗ converge en loi vers la loiN(0,1).
Preuve :On proc`ede de fa¸con analogue `a ce que l’on a fait pour montrer le corollaire 7. On introduit une suite de variables al´eatoiresX1, X2, X3, . . . , Xn, . . .mutuellement ind´ependantes, qui suivent toutes la loi B(p).
Soit n ∈ N∗. On pose Sn = X1+X2+. . .+Xn. Comme les variables al´eatoires X1, X2, X3, . . . , Xn sont mutuellement ind´ependantes, on sait queSn ∼ B(n, p) (cf. cours sur les couples de variables al´eatoires discr`etes).
La variable al´eatoireSn ayant mˆeme loi queYn, on a :
∀x∈R P(Tn ≤x) =P
Yn−n p
√n p q ≤x
=P
Sn−n p
√n p q ≤x
. (18)
Soitx∈R. On rappelle que l’esp´erance d’une variable al´eatoire suivant la loiB(p) estpet que sa variance est p q. La variable al´eatoire Sn∗ centr´ee r´eduite associ´ee `a Sn dans l’´enonc´e du th´eor`eme de la limite centr´ee est donc :
Sn∗= Sn−n E(X1)
√np
V(X1) =Sn−n p
√n p q . (19)
D’apr`es (18) et (19), on a donc :
FTn(x) =P(Tn≤x) =P(Sn∗≤x) =FSn∗(x). (20) De (20) et du th´eor`eme de la limite centr´ee, on d´eduit alors :
FTn(x) =P(Tn≤x) →
n→+∞Φ(x)
Q.E.D.
Exemple :Un joueur lance une pi`ece ´equilibr´ee. Lorsqu’il obtient PILE, il gagne 1e et lorsqu’il obtient FACE, il perd 1 e. On se propose d’estimer le nombre maximal de lancers `a effectuer pour que ce joueur ait une probabilit´e de plus de 95% de perdre au plus 20e, en utilisant une approximation par la loi normale.
Soitn∈N∗. On suppose qu’on a effectu´enlancers. On note Yn la variable al´eatoire ´egale au nombre de PILE obtenus. On reconnaˆıt une situation de loi usuelle :Yn ∼ B(n, p). SoitGnle gain alg´ebrique du joueur. On a la relation :
Gn= 1Yn−1 (n−Yn) = 2Yn−n carn−Yn est le nombre de parties perdues.
On cherche doncn∈N∗ tel que l’in´egalit´e
(I) : P(Gn ≥ −20)≥0,95
soit valide. Notons que la variable al´eatoireTn introduite dans le corollaire 10, s’´ecrit ici :
Tn=
Yn−n 2 rn
4 carp=q=1
2.
L’id´ee consiste `a exprimer l’´ev´enement [Gn≥ −20] en fonction deTnpour pouvoir ensuite appliquer le corollaire 10 et ainsi donner une valeur approch´ee de la probabilit´eP(Gn≥ −20).
On a :
[Gn≥ −20] = [2Yn−n≥ −20] =h Yn−n
2 ≥ −10i
=
Yn−n
2 rn
4
≥ −10 1 rn
4
=
Tn ≥ −20
√n
et donc :
P(Gn≥ −20) =P
Tn ≥ −20
√n
= 1−P
Tn<−20
√n
. (21)
D’apr`es le corollaire 10, on a : P
Tn<−20
√n
n→+∞→ Φ
−20
√n
. (22)
Comme l’´enonc´e nous y invite, on interpr`ete (22) par une approximation : P
Tn <−20
√n
≈Φ
−20
√n
.
Grˆace `a cette approximation et `a (21), (I) se r´e´ecrit : 1−Φ
−20
√n
≥0,95.
ou encore :
(I0) : Φ 20
√n
≥0,05
car Φ(−x) = 1−Φ(x) pour toutx∈R(cf. exercice 264 de la feuille d’exercices n˚19).
La fonction Φ est d´erivable (donc continue) surRet pour toutx∈Ron a Φ0(x) = 1
√2π e−x22 >0. La fonction Φ est donc strictement croissante surR. De plus, puisque Φ est une fonction de r´epartition, on a :
D’apr`es le th´eor`eme de la bijection, la fonction Φ r´ealise donc une bijection de R sur ]0,1[ et sa bijection r´eciproque Φ−1: ]0,1[→Rest strictement croissante sur ]0,1[. En cons´equence :
(I0)⇐⇒ 20
√n ≥Φ−1(0,95).
Or d’apr`es la table de valeurs (approch´ees) de Φ (cf. page 3 de la feuille d’exercices n˚19), on a : Φ−1(0,95)≈1,65.
En cons´equence, une valeur approch´ee du nombre n cherch´e est donn´ee par la plus grande des solutions de l’in´equation :
√20
n ≥1,65.
On trouve ainsi :n≈146.
Remarque conclusive : L’approximation de la loi deTnpar la loi normale nous a permis de r´esoudre, en utilisant la table de valeurs (approch´ees) de Φ, l’in´equation
P(Gn ≥ −20)≥0,95 d’inconnuen∈N∗ initiale, peu ´evidente `a r´esoudre de fa¸con exacte.
Corollaire 11 (application du th´eor`eme de la limite centr´ee `a la loi de Poisson) : Soitλ > 0. Soit (Yn)n∈N∗ une suite de variables al´eatoires telle que :
∀n∈N∗ Yn∼ P(n λ).
On pose pour toutn∈N∗ :
Tn =Yn−n λ
√n λ . Alors pour toutx∈R, on a :
FTn(x) =P(Tn≤x) →
n→+∞Φ(x)
et les propri´et´es du corollaire 9 obtenues en rempla¸cant partout Sn∗ parTn restent vraies. On dit que la suite de variables al´eatoires (Tn)n∈N∗ converge en loi vers la loiN(0,1).
Preuve :Analogue `a celle du corollaire 10, laiss´ee en exercice.
7 Deux exercices
Exercice 1 :On r´ealise 400 fois une exp´erience de Bernoulli (i.e. une exp´erience avec pour r´esultat 0 ou 1) dont la probabilit´e de succ`es est 4
5 (i.e. telle que la probabilit´e d’obtenir 1 est 4
5). On suppose que les 400 exp´eriences sont deux `a deux ind´ependantes. On noteX le nombre de succ`es obtenus.
1. Quel est la loi de X?
2. Donner l’esp´erance et la variance deX.
3. Donner un minorant de la probabilit´eP(300< X <400).
Exercice 2 :Soitn∈N∗ et soitX une variable al´eatoire suivant la loiB
n,1 3
. 1. Pr´eciser l’esp´erance et la variance deF = X
n. 2. D´eterminern∈N∗ tel que
P(|F−E(F)|<10−2)≥0,98 de deux mani`eres :
(a) en utilisant l’in´egalit´e de Bienaym´e-Tchebychev ; (b) en utilisant une approximation par une loi normale.
3. Comparer les r´esultats obtenus en 2.(a) et 2.(b).